以往关于链接推荐方面的研究，大部分关注于对社会交往功能的加强，而忽视了对信息扩散功能的加强。链接推荐算法不应该仅仅专注于评估用户信息间的相似度或者社交关系间的相似度，同时也应该关注那些应用了推荐算法在网络中增加的边，使得信息在更新的网络结构上获得扩散的最大化。前人通过引入社区发现提出了结点扩散度的概念，并将结点扩散度的结果和传统链接预测结果相结合来解决上述问题。本文的研究工作主要分为以下三方面：1.首先给出了链接推荐用于增强信息扩散的研究框架，并选定了框架中核心部分相对应的算法和模型，对比分析了现有的三种计算结点扩散度的方法；2.分析现有结点扩散度算法的不足，通过引入社区对结构提出了非重叠社区结点扩散度改进版算法；3.分析重叠社区的信息扩散结构，通过引入结点的社区中心性提出了重叠社区的结点扩散度算法。本文在真实的无向社交网络数据集Email-Enron及Amazon和有向社交网络数据集Email-EuAll上进行了对比实验，结果在紧密型网络上超过了现有方法对信息扩散的促进。本文更加注重结点的社区属性对信息扩散的影响，完善了结点扩散度解决方案体系，大幅度降低了计算复杂度，使得可以适用于大规模社交网络，另外本文还通过实验引出了两个值得关注的问题，有助于后人对结点扩散度方法体系的进一步研究。