互联网爆发式的发展带来电子商务的极大繁荣,为人们带来了极大生活便利的同时,也带来了海量的信息轰炸,导致信息超载问题。推荐系统是解决信息超载一个非常有效的方法,可以让信息使用者和信息生产者得到双赢。协同过滤通过最近邻策略可以得到较高准确度的推荐结果,所以在实际应用中最为广泛,但协同过滤面临着严重数据稀疏问题和冷启动问题。重叠社区发现作为社会网络分析的一种,可以有效挖掘社会网络中的拓扑结构,揭示群体共性。将社会网络分析技术加入到协同过滤中可以有效解决数据稀疏问题和冷启动问题,基于此本文将针对基于重叠社区发现的协同过滤推荐进行研究。本文首先针对重叠社区发现方法中社区发现结果不稳定的问题,提出了种子节点二次扩张的重叠社区发现算法,第一部分选择基于引力度定义的局部最大度节点作为种子,第二部分基于适应度函数的贪心策略一次扩张种子,基于吸引力函数二次扩张社区,第三部分合并过度重叠社区,保证社区发现结果稳定性的同时提高网络覆盖率。然后将种子节点二次扩张的重叠社区发现算法与协同过滤技术相结合,第一部分划分用户网络社区,对用户聚类可以降低数据维度,第二部分选择与目标用户相似度较高的社区建立候选用户集,第三部分在候选用户集中寻找目标用户的最近邻,加入数据平滑技术填充候选用户评分矩阵可以有效减少数据稀疏问题的影响,第四部分预测目标用户项目评分,完成推荐。当新用户、新项目加入系统时,更新用户社区,以便减少冷启动的影响。最后通过大量对比性实验结果验证了本文提出的种子节点二次扩张重叠社区发现算法能发现结果稳定且质量较高的重叠社区结构,基于重叠社区发现的协同过滤推荐算法能减轻数据稀疏问题和冷启动问题的影响,得到较高准确度的推荐结果。