近年来web2.0社交网站和电子商务网站突飞猛进的发展，正深刻地改变着普通大众的生活方式，在web2.0网站上用户可以自由地发布信息，使得互联网上的信息规模正以指数式增加，而且人们可以对这些信息进行打分、评论或者其他反馈行为，这些行为都有效地刺激了信息提供者发布信息的热情。同时在Web2.0社交网络上构建的朋友关系也使得信息传播更加迅速，这些都导致了web2.0网络信息的过载，推荐系统的任务就是要在海量数据中为用户精准地推荐资源。针对传统协同过滤算法所面临的几大问题，本文主要做了以下研究工作：（1）介绍了目前几种主要的推荐技术，并总结了各自的优缺点。同时分析了各种社会化关系对推荐的重要作用，所以本文着重研究利用用户的社会化关系和社团划分的思想，来解决传统协同过滤算法面临的评分数据稀疏、冷启动、时间复杂度太高的问题。（2）提出了基于用户信任网络社团划分的协同推荐策略。构建用户的信任关系网络，采用复杂网络社团划分算法对用户进行聚类，将社团内部成员作为近邻用户进行协同推荐。首先我们采用初步方案验证，社团内部成员具有更高的相似度，能够给目标用户提供更精准的推荐，之后在社团内部采用两种信任度分配策略(基于Katz路径求和与PersonalRank算法)来提高个性化推荐效果，实验证明引入信任度分配之后，相比初步方案推荐效果在MAE、RMSE及覆盖率方面都有了一定的提高。（3）提出了基于用户多维社会化网络社团的协同推荐策略。分析了web2.0网站中用户的多维社会化关系，利用多维社会化关系缓解评分数据稀疏的问题。给出了如何抽取用户多维社会化关系的策略，并将用户的多维社会化关系进行有效的融合，提出了适合于加权网络的节点相似度计算方法。最后通过实验证实了改进算法相比传统的基于用户的协同推荐算法具有更好的推荐效果。