大数据时代下互联网信息量爆炸式增长,用户难以从大数据中检索到个人所需要的资源,这样的信息过载问题无法避免。推荐系统能有效解决信息过载问题,推荐算法是推荐系统的核心部分,研究推荐算法对于提高推荐系统性能、扩展推荐系统功能很有意义。概率矩阵分解算法,作为协同过滤算法之一,其优秀特性在业界有很深远的影响,但同样的,该算法会受到冷启动问题的影响。为提高算法的推荐准确性,并解决冷启动问题,论文考虑用户社交关系,从用户集群协作的角度出发,使用社区处理用户社交信息,将社区与概率矩阵分解相结合,提出基于社区矩阵的概率矩阵分解推荐算法(CPMF算法,A Probability Matrix Factorization Recommendation Algorithm based on Community Matrix)。为使用户的整体集群程度最好,论文提出基于模块度的SLPA社区划分算法,该算法将用户社交信息构成的社交网络划分,输出模块度最大的目标社区。根据用户和社区的从属关系,论文定义社区矩阵,以社区矩阵的形式描述用户社交信息。论文CPMF算法融合社区矩阵和用户评分信息构成的用户评分矩阵,经概率矩阵分解推导得到用户、项目、用户社区、社区等隐式特征向量,考虑到用户社区特征对用户特征的影响,定义社区调节参数,联合推导,得到含特征向量的CPMF算法的目标函数。为使预测评分接近实际评分,论文采用随机梯度下降法求解目标函数最小值,相关的隐式特征向量经迭代学习优化至最优解,通过用户隐式特征向量和项目隐式特征向量的乘积得到预测评分结果。为保证实验结果的一般性,论文实验选用Last.FM和Epinions这两个公开数据集,选取PMF、SoRec、TrustMF、TrustPMF等推荐算法作为比较对象,以平均绝对误差和均方根误差为评估指标来衡量算法的推荐性能。通过两数据集上的综合性实验,证明了论文CPMF算法有很好的推荐准确性,在冷启动问题上也有好的性能表现,在均方根误差上的优势表现得更加明显,这些都归功于算法使用了社区内用户的集群协作推荐优势。