在线社交关系网络是以网络和数字符号信息为中介,基于超文本多媒体链接形成的虚拟人际关系网络。随着近年来信息技术的发展和应用,网络与现实间的区分度逐渐模糊,很多时候人们反而更加依赖于网络。在线社会化网络记录着数以万计社交用户宝贵的交互历史数据,真实、可量化的数据资源为社会化计算提供了珍贵的实验环境。在线社交关系网络记录的数据隐含着巨大的科研价值和潜在的商业价值。因此,以社交网络数据为驱动、以用户购物需求为中心的在线社交关系网络的挖掘与分析是重要的研究内容之一。本文通过对在线社交关系网络的研究分析探讨好友间的社交关系强度在商品推荐方面的应用。现有的在电子商务领域对商品的推荐多数局限于基于个人的偏好推荐,忽略了社会关系好友间关系强度的因素且存在着推荐信息泛滥等问题,不能够实现商品信息的有效推荐。为了能够更好的实现在线商品的精准推荐。本文提出通过计算用户的社交关系强度划分紧密关系社区,分析用户之间的亲密程度,构建一种基于社交关系强度的社交网络社区的发现模型。最后根据社区的划分,实现在线商品由依据个体的偏好推荐延伸到属性相似的群体推荐。本文研究内容主要包括以下几方面:第一,通过分析用户的社交网络数据,挖掘用户的社交网络内容和网络结构信息,评估影响社交关系强度的因素。第二,通过挖掘社区发现和用户关系强度的紧密联系,构建基于强关系型社区的商品推荐模型。模型的构建过程中,首先通过数据采集技术获取用户社交网络的行为数据。再依据用户间的交互频度、节点间的连接距离等要素计算用户间的社交关系强度,形成融合社交关系强的社区发现模型。最后通过对社区中用户行为矩阵的分解求解待推荐商品的隐向量模型。第三,提出基于关系强度的社区发现和个性化推荐的准确性评价指标。在社区发现方面,通过模块度和准确率的评估发现本文所提的CDORS方法与传统的K-L以及LHN方法相比,社区发现效率更高。在个性化推荐方面,从实验的召回率、平均绝对误差以及准确率等指标来看,本文提出的基于强关系型社区的推荐与基于内容和协同过滤的推荐相比效果更好。