1.一种基于社会网络结构的并行推荐方法，其特征在于：所述推荐方法包括如下步骤：

1)根据活跃节点选择策略，选取k个活跃节点作为中心节点；

2)以k个中心节点为初始聚类中心，对剩余的所有节点进行聚类，将所有节点划分为以k个中心节点为中心的k个社区；

3)根据上一步得到的k个社区，使用SimRank算法分别计算每个社区内所有用户间的相似度，过程如下：

3.1)节点p和节点q的相似性通过所有p的入邻居节点和q的入邻居节点之间的相似性的平均值来衡量，如果用s(p,q)表示节点p和节点q的相似性，那么SimRank的数学表达式写成如下形式：其中c是一个0-1之间的常量，I(p)表示所有指向p的节点，或者称作节点p的入邻居节点；I(q)表示所有指向q的节点，或者称作节点q的入邻居节点，当 或者 时，s(p,q)＝0

3.2)假设第t次迭代的SimRank值为st(p,q)，SimRank值初始化为：然后通过式(1)迭代更新，第t次迭代的SimRank值st由t-1次迭代的SimRank值st-1通过式(1)得到，最终的迭代结果st也将收敛于(1)式中SimRank值，即：

3.3)使用MapReduce并行框架进行处理，过程如下：

3.3.1)预处理阶段

图的边(p,in:a,b,...|out:i,j,...)，p表示图中的节点，in：后表示节点p的入邻居节点，out：后表示节点p的出邻居节点；

在Map阶段，将输入的(p,q)转化为(p,out:q)和(q,in:p)；在Reduce阶段，将具有相同key值的记录进行整合，得到(p,in:a,b,...|out:i,j,...)，整个预处理阶段后形成的结果文件存放在分布式文件系统中，该文件描述了图的整个拓扑结构，用于后续SimRank计算阶段使用；

3.3.2)SimRank迭代计算过程

每一次迭代都通过一个MapReduce任务完成，每次迭代的输入就是上次迭代的输出；

4)计算与某用户最为相似的用户列表；

5)重复4)得到任意用户的相似用户列表；

6)对于目标用户，分析其相似用户列表中用户的兴趣喜好对目标用户进行个性化推荐。

2.如权利要求1所述的一种基于社会网络结构的并行推荐方法，其特征在于：所述步骤

3.3.2)中，在SimRank迭代计算过程中，Map的输入是上次迭代计算的SimRank值，格式为＜(p,q),s(p,q)＞，由于节点与它本身的相似性为1，所以初始的记录为＜p,p,1＞，其余节点间的相似性为0；Map阶段中，寻找节点p，q各自的所有出邻居节点；Reduce阶段，对key值相同记录的相似性分数汇总求和，并且更新所有节点对的SimRank值。

3.如权利要求1或2所述的一种基于社会网络结构的并行推荐方法，其特征在于：所述步骤3)中，对SimRank算法进行改写得到Delta-SimRank算法，利用Δ改写(1)式，得到：其中Δt(p,q)表示第t次迭代相似性分数的增量；至此，就把计算SimRank问题转化为计算SimRank增量的Δ，根据Δ就能得到最终的SimRank值：st+1(p,q)＝st(p,q)+Δt+1(p,q)      (5)Delta-SimRank算法将更新后的Δ值进行累加以得到最终的SimRank值。