复杂网络下的概念认知学习是数据挖掘和人工智能等领域的重要研究方向。将形式概念分析理论与复杂网络分析方法相结合,发挥它们各自的优势,对深化网络中概念认知理论和应用的研究非常有意义。本文在网络形式背景的基础上,结合复杂网络的拓扑结构特征,对网络规则的提取方法和推荐系统算法进行了以下两方面的研究。首先,提出了网络决策形式背景的概念,将决策形式背景与网络分析统一到一个数据框架下,从而可以用形式背景的方法研究网络规则的提取。具体思路如下:（1）研究了网络决策形式背景的弱概念及其相应子网络。这样,不仅可以找到网络的弱概念,而且可以知道与弱概念对应的子网络的特征值。（2）提出了网络弱概念逻辑的概念,以及其相应的性质,为后面研究网络规则的提取方法奠定了基础。（3）提出了基于邻接结构的规则提取算法。（4）利用UCI数据集对所提出的算法进行了测试,同时还分析了各规则的覆盖度及其对应子网络的特征值,实验表明本文提出的规则提取算法是有效的。其次,在前面基于邻接结构的规则提取算法的启发下,结合推荐系统的相关理论提出了基于弱概念相似度的组推荐算法。具体思路如下:（1）确定专家节点。通过定义属性度、属性密度来描述属性的重要性,进而用改进的节点影响力来确定专家节点。（2）通过专家节点划分社区。将专家的一阶邻接集合视为与专家联系最密切的社区,从而在各个专家社区中进行推荐。在划分的社区中利用属性弱概念下限相似度进行组推荐研究,进而获取推荐规则并对相应社区进行组推荐。（3）利用Movie Lens数据集和Filmtrust数据集分析了各参数对所提算法的影响,并确定了最优参数。进一步,将提出的算法与其他推荐算法进行了比较测试,实验表明文中算法是有效的。