个性化服务是用于解决当前“数据爆炸”、“信息迷航”的有效方法。而用户建模和社区划分方法是个性化信息服务中的关键技术,用户模型和社区划分方法直接关系到个性化服务质量的好坏。因此本文以提高个性化服务质量为着眼点,利用同化效应函数对用户模型进行了修正,提出了基于同化效应的用户模型修正算法,并在抽象距离和改进模块度的基础上提出了一种针对社交网络的社区划分算法。首先,提出了用户建模中需要考虑同化效应这一技术需求,在分析同化效应的产生和影响因素的基础上提出了同化效应影响函数。通过分析社交网络中的社会比较过程,提出了基于同化效应的属性演进及预测算法。其次,本文通过分析社交网络的特征,提出了针对社交网络社区划分算法的测度和标准:抽象距离和改进的模块度,并在k-means算法和凝聚算法的基础上提出了一种社交网络社区划分算法。最后,采用Matlab对提出的两个算法进行了实验分析,经本文提出的算法修正后的用户模型的准确度达78%,本文提出的社区划分算法性能通过NMI和模块度两种指标进行分析,两种指标均反映了本文提出社区划分算法的准确性。实验表明,基于同化效应的用户模型修正方法能够提高用户模型的准确度,本文提出的社区划分算法能够提高划分后社区的NMI和模块度值。