随着互联网的迅猛发展,人们的生活已离不开互联网,在享受着互联网普及带来的种种益处的同时,信息过载等问题也日趋严重。当快速而准确地找到令人满意的商品逐渐变为一种奢求时,个性化推荐系统应运而生了,它能在与用户的交互过程中,通过研究用户的历史浏览记录等信息,获取其兴趣偏好,从海量信息中搜寻用户感兴趣的信息并主动推荐给用户,从而满足用户对信息的多元化和个性化需求。推荐系统的出现,能很好地解决上述互联网所面临的问题。并且它能够有效挖掘长尾信息,使得有价值的信息能够有效传播和被关注,具有高度的商业价值。传统的算法多是在一个维度中分析用户行为,挖掘兴趣。在实际应用中,用户总是处于多方面的社会性关系中,用户兴趣也分布在多个不同的领域并通过多种网络活动体现出来,在多个维度的用户数据中寻找相似用户更符合实际情况。一维网络的分析适用于特定领域的问题,而分析多维社会网络能够帮助系统在多种关系下挖掘用户的行为和兴趣偏好,能全方位更好地描述用户兴趣,更准确地找到与用户兴趣相似的人,做出更精确的个性化推荐。因此本算法将结合用户在多个维度的历史行为记录综合得出用户多维模型和用户向量空间模型,将用户多维模型上对用户进行投影得到用户投影网络,在此基础上利用适合复杂网络的可以识别重叠簇的CPM层次聚类方法得到邻居社团,通过引入了 IIF因子的皮尔逊公式计算多维度下的用户相似度,构建用户相似度矩阵,最后利用预测公式得到目标用户对未评分项目的预测评分,从而给出推荐结果。文章详细介绍了本文的推荐策略并通过对比实验从不同角度验证了算法的有效性和较好的推荐质量,给出了实验结果分析。最终的推荐算法,能精确地计算用户间的相似性,让推荐质量进一步提升,推荐结果更为个性化和人性化。