1.一种基于社区发现的个性化推荐方法，其特征在于，包括：为每个节点赋予唯一的标签，并计算每个节点的度数；

根据节点的度数，计算节点权重；

计算节点的结构相似性和用户偏好相似性；

根据节点的结构相似性和用户偏好相似性，计算节点的相似性；

根据节点相似性和节点权重，计算每个标签的传播概率；

删除传播概率小于阈值的标签，将剩余的标签作为社区划分的结果；

使用链路预测对生成的社区进行社区内的好友推荐。

2.如权利要求1所述的个性化推荐方法，其特征在于，所述节点权重的计算方法为：式中，

W为节点权重，d(x)为节点的度数，N为节点数目。

3.如权利要求1所述的个性化推荐方法，其特征在于，节点的结构相似性由Jaccard系数得到。

4.如权利要求3所述的个性化推荐方法，其特征在于，所述Jaccard系数的计算方法为：在给定的无向网络中G＝(V,E)，节点x和节点y的Jaccard相似系数被定义为：τ(x)表示节点x及其邻居节点的集合，可以将其定义为：τ(x)＝{y∈V|(x,y)∈E}∪{x}。

5.如权利要求1所述的个性化推荐方法，其特征在于，节点的用户偏好相似性由用户静态特征和用户内容特征构成。

6.如权利要求5所述的个性化推荐方法，其特征在于，节点的用户偏好相似性的计算方法为：提取用户静态特征；

提取用户内容特征；

合并用户静态特征和用户内容特征生成用户的特征空间，最后计算节点x和每个邻居节点的用户偏好相似性。

7.如权利要求1所述的个性化推荐方法，其特征在于，所述阈值为：式中，

r为阈值，d(x)为节点的度数，v为节点的最大标签数。

8.如权利要求1所述的个性化推荐方法，其特征在于，所述好友推荐的方法包括：对社区网络结构中节点与链接进行表示；

划分训练集和测试集；

计算CN亲密度和Adamic-Adar指标，得到节点亲密度；

根据节点亲密度进行链路预测。

9.如权利要求8所述的个性化推荐方法，其特征在于，所述算CN亲密度为：CN(x,y)＝|N(x)∩N(y)|式中，

CN(x,y)为CN亲密度，N(x)是与节点x相邻的节点集合，N(y)是与节点y相邻的节点集合。

10.如权利要求8所述的个性化推荐方法，其特征在于，Adamic-Adar指标为：式中，

CN(x,y)为CN亲密度，N(x)是与节点x相邻的节点集合，N(y)是与节点y相邻的节点集合。