随着移动设备的普及以及无线技术的发展,人们可以在任何地方、任何时间相互通信。由于移动设备的移动性,从数据源到数据目的地的端到端连接路径很难维持。为了解决网络中的数据传播问题,引入了节点社会行为的分析,从而促使移动社交网络的诞生。数据在移动社交网络中主要依靠携带转发来散播。已经有许多文献通过引入社交特征和从网络挖掘社交属性来提升网络中数据转发性能并提供人性化服务。最近,研究者们提出了一些应用了动态社交特征的路由策略来提高数据在网络中的转播效率。然而,动态的社交特征会导致根据这些特征所划分出来的网络社区结构改变。现存的社区探测方法大多数依赖于静态的社交特征,无法直接应用于动态变化的社交特征。因此,本文利用机器学习中的随机森林分类器,对网络中的节点进行动态地社区划分。k-means++算法被用来生成分类器的训练集,为了衡量生成的训练集的好坏,本文设计了一个联系系数CR。基于训练后的随机森林模型,本文提出了一种基于随机森林的社交感知路由策略。这是第一个结合了动态的社交特征和动态地社区分类的方法。在仿真实验中,本文将提出的路由算法与经典的Flooding、SANE和Multi-Sosim进行比较。实验得出的结果表明,本文所提出的路由策略可以有效提高网络中的数据转播率以及降低转播延迟。