随着网络的普及，社交服务得到了快速发展，社交网络已经逐渐成为人们日常交流的主要工具，吸引着越来越多的用户加入其中。在学术领域中，伴随国内外各高等院校以及各研究机构在科研活动中日益活跃，学术社交网络也得到了快速的发展。在学术社交网络中，许多兴趣爱好相似的用户会自行的组成一个团队，用户加入到团队之后，可以共享团队发布的公告和资源，参与团队活动，这不仅增加了用户使用社交网络的粘性，而且可使用户认识更多的志同道合之人。然而，随着用户数量、站内信息数量的骤增，团队数量也急剧上升，一方面，如何帮助用户在海量信息的社交网络中寻找与自身兴趣爱好相似的团队是本文研究的一大重点。另一方面，一些用户作为团队管理员，也想通过邀请更多的用户加入团队中，参与团队活动、丰富团队成员结构、共享团队资源，这是本文研究的另一重点。因此，本文提出了学术社交网络中虚拟团队推荐模型，从不同角度研究社交网络中团队推荐的相关内容，主要包含两大部分内容:基于三阶段推荐组合的虚拟团队推荐模型和基于改进聚类算法的虚拟团队成员推荐模型。　　基于三阶段推荐组合的虚拟团队推荐模型是从用户的角度出发，为其推荐团队，供其选择加入。模型主要分为三个阶段，首先通过结合协同过滤算法，计算用户与好友加入团队的相似性，利用好友已经加入的团队，将好友加入的团队（用户未加入的团队）进行累加，最后筛选加入数多的团队作为候选的推荐团队列表一;其次是通过利用信任传播理论，计算用户的潜在好友列表，然后再结合第一阶段的算法，对潜在好友已经加入的团队进行累加，将加入数多的团队作为候选的推荐团队列表二;再次模型为了缓解冷启动问题，从团队资源、公告、信息完备性等多个方面进行数据统计，计算出社交网络中的热门团队，作为候选的推荐列表三。通过对三个团队推荐列表进行合并，并应用随机算法从列表中选取K个团队作为推荐结果。　　基于改进聚类算法的虚拟团队成员推荐模型是从团队角度出发，向虚拟团队推荐用户，为其提供潜在用户加入团队。该模型结合了遗传算法，K-means聚类算法以及协同过滤算法的思想。模型首先通过对用户信息和团队信息进行分词处理，得到相应的用户向量标签集与团队向量标签集，接着将基于遗传方法的聚类算法应用到团队向量标签集中，获取各聚类簇以及团队聚类中心;然后将团队聚类中心作为初始聚类中心，利用K-means聚类算法对用户向量标签集进行聚类，获取用户聚类簇，并通过聚类中心映射到团队聚类簇中，将对应用户簇中的用户作为候选的推荐对象推荐给团队。最后为提高推荐的精确度，利用协同过滤算法，计算团队与用户间的信息相似性，筛选出相似性较高的用户作为最终的用户推荐列表推荐给团队。