如今,信息传播技术飞速发展,人们越来越热衷于通过各类社会媒体浏览信息或是维系在线社会关系。而在这过程中,分众化传播所带来的信息爆炸,使得受众无法准确捕获满足自身需求的服务。日常纷繁复杂的信息内容使得人们的关注点受到极大干扰,搜索引擎已不能满足大部分使用者的需要。在这样的环境下衍生了推荐系统。目前,推荐系统的发展逐步成熟。然而,由于个性化推送的准确率不高,推荐效果不尽人意,因此推荐仍然是一个需要持续创新的领域。推荐系统中的核心步骤即为推荐算法,其中,协同过滤算法操作简便,易于理解。该算法主要是利用用户-项目评分矩阵,挖掘近邻用户偏好,据此预测目标用户最可能喜欢的项目。但同时也存在稀疏矩阵、可扩展性低、推荐精度较低等问题。结合上述推荐算法的基本思想及其所面临的挑战,本文在传统协同过滤基础上进行了算法的研究和优化。文章将复杂网络理论引入到推荐算法中,提出了基于复杂网络的协同过滤算法,从单一推荐到多种技术相融合,对不同类型的问题做出了相应的改进,研究工作主要如下:(1)针对用户间共同评分项目较少导致协同过滤算法受到数据稀疏的影响,提出了基于链路预测的协同过滤算法。在充分认识协同过滤算法存在的问题后,为弥补稀疏矩阵所带来的影响,本文提出了一种基于SimRank的相似度算法,将改进的SimRank算法定义扩展到二分网络中,并利用该算法计算用户-项目间相似度值,据此进行推荐。(2)针对用户数量或项目数量庞大导致协同过滤算法面临可扩展性低的问题,提出了基于重叠社区发现的协同过滤算法。文章研究了基于中心节点的社区发现算法,提出了利用改进的PageRank算法发现中心节点,据此挖掘出网络中的社区,并选取最相似的社区作为目标用户的待推荐群,最后根据近邻用户集对目标用户进行推荐。算法降低了计算开销,提高推荐效率。最后在当前最新的Movielens的三种数据集上进行对比实验,验证了改进的协同过滤算法的准确性和高效性。