随着互联网的不断发展,特别是移动互联网的不断普及,网络中的信息呈现爆炸式增长,信息过载问题日益严峻。推荐系统是解决信息过载问题的重要方法之一,通过对用户历史行为的深度分析,挖掘用户的兴趣点,将用户自主搜寻转为向用户提供个性化的信息服务,从而有效提高用户对信息的获取效率。社区化是在线社会网络的重要特性之一,表现为社区内部节点具有紧密的联系而社区之间只存在极少数连接,根据这一特性能够有效挖掘网络层次结构。本文在将社区发现与推荐算法相结合的研究基础上,发现该方法对推荐算法的推荐结果有较好的性能提升。本文以CosRA算法为例,通过将社区发现与CosRA算法相结合来优化CosRA算法,提高CosRA算法性能上限,主要工作如下:1.利用Jaccard相似性构建产品间的连接,将用户行为构建成适合社区发现的产品连接图。2.根据节点密度对产品进行社区划分,对划分结果利用局部模块度进一步优化,从而得到更优秀的适合推荐算法使用的社区发现结果,并通过逆向推导得到用户集合划分。3.将社区与推荐算法相结合,并给出最终推荐结果筛选建议,同时通过公开数据集对本文算法的准确性和新颖性进行验证,分析算法在最佳准确率情况和平均情况下的效果,并通过实验对推荐结果的筛选进行讨论。本文提出的算法在最佳准确率情况下性能优秀,同时实验的大数据集的平均效果优于小数据集,在大数据集中,算法在用户产品比高的数据集中效果更相较于用户产品比低的数据效果更好,这一现象也符合推荐算法的一般使用场景。