互联网的出现在为用户提供大量信息的同时,也增加了用户搜索有效信息的成本。因此,互联网企业都致力于使用更好的推荐技术来增强网络应用的用户体验,提高服务质量。协同过滤推荐方法在Web1.0时代得到了较为广泛和成功的应用。但是随着社交化电子商务的出现,已有的协同过滤算法不能够充分利用网站提供的社交数据和用户交互数据,对用户偏好的表达也不够全面。为此,本文基于相关理论,将社交网络引入协同过滤推荐,结合社区发现方法和协同过滤推荐方法的优点和流程,研究融合社区发现方法的协同过滤推荐算法,利用社交网络中有关用户的大量数据,为社交化电子商务网站的推荐服务提供理论和实践支持。论文首先从评分问题、模型架构和Web2.0视角下的推荐技术等三个角度对协同过滤推荐进行了解构和分析；对社区发现方法,尤其是非重叠社区发现方法进行了阐述。其次,对包括社交网络、社交化电子商务和网络社区等网络相关概念进行界定；针对Girvan-Newman算法、K-cores算法、模块度最大化度量算法、基于用户的协同过滤算法、基于项目的协同过滤算法等社区发现算法和协同过滤推荐算法的流程进行了简单介绍。随后,针对社交化电子商务网络环境,在不同社区目标用户表现出不同偏好的假设下,研究了一种基于社区发现和用户交互内容的协同过滤推荐算法,在获得的用户社交网络中使用社区发现方法、在相似度计算和推荐值计算中运用了网络中提供的各类数据。在此基础上,利用获得的社交网络数据,从社区划分结果、推荐结果的差异性和推荐结果的精准度等三个方面验证了算法的有效性,研究表明,本文提出的算法能够有效的利用社交网络数据在社交化电子商务网站中应用。最后,总结了本文的研究成果和研究的局限性,并对未来可能的研究方向进行了阐述。