近年来,互联网技术的迅猛发展将人们带入了信息爆炸的时代。海量的信息使得人们不得不花费大量的时间去搜索自己感兴趣的信息。个性化推荐系统是目前解决信息过载问题最有效的工具之一,其通过建立用户与信息产品之间的二元关系,挖掘每个用户潜在感兴趣的对象,进而进行个性化的推荐。协同过滤系统是目前应用最为广泛的个性化推荐系统,它根据用户以往对一些项的评价,以及其他与该用户具有类似兴趣的用户给一些项的评价,将一些新的项目推荐给用户,或者预测对用户有价值的项目。协同过滤技术在研究和实际应用中都取得了很大的成功,但是这项技术依然存在着诸多问题。例如数据的稀疏性问题、冷启动问题、算法的伸缩性问题等。针对这些问题,本文提出了一种基于拓扑势的社区协同过滤方法,此方法将复杂网络理论中的社区发现技术应用到协同过滤技术中来。社区的特点是,在同一个社区中的个体之间往往存在着更加紧密的联系,他们之间往往有着共同的兴趣和爱好。本文利用基于拓扑势的社区发现算法找到网络中的社区结构,即找到系统中有着共同兴趣爱好的用户群。另外,本文引入了一种多关系的数据挖掘方法构造基于用户相似度的网络,目的是综合用户与项目的基本信息以及评分信息来计算用户相似度,使相似度的计算更加全面与合理。实验结果表明,相比于传统的协同过滤方法,采用本文提出的基于拓扑势的协同过滤方法具有更高的准确度和性能,在一定程度上减轻了数据稀疏性以及冷启动问题对系统性能带来的影响。