近些年来随着互联网的迅速发展,信息负载对用户的决策产生了巨大的挑战。推荐系统已经成为一种有效的工具用来帮助人们在复杂的信息空间中找到他可能感兴趣的物品。但是由于在大多数问题中推荐系统只有用户对物品的评分信息,信息的局限性导致了推荐效果不是很理想。目前主流的推荐系统的研究主要分为两个方面,一个是基于协同过滤方法,使用不同的方法构造用户和物品的新特征,根据新的特征进行改进。另一个是基于矩阵分解的方法,该方法通过矩阵分解的办法解决推荐问题中数据稀疏的问题。本文通过加入链接数据,构建链接数据与实体数据的关系模型提高了Top-N推荐的准确性。本文的主要研究内容分为以下几个方面:首先,通过改进用户近邻的选择和引入评分正则化改进了基于用户的推荐算法,然后通过一个直观的三维数据模型表示物品和链接数据之间的关系,在模型中提取物品特征,然后利用基于内容的推荐算法进行计算。最后使用了基于线性混合的算法将两个算法结果进行混合,改进了推荐的效果。其次,将数据利用图结构表示,利用两种不同的相似度计算方法来计算图中的推荐,一种使用基于图中边数目的方法,另一种利用一维数据模型将数据表示成特征向量,计算他们之间的相似度。然后考虑二部图中的性质,利用刚才计算的相似度进行Top-N推荐。最后,深入分析了二部图的性质,通过考虑链接数据中的隐式反馈信息,将链接数据加入到二部图中构成新的三部图。通过提取三部图中路径的特征分别构建用户和物品的特征,使用排序学习函数将Top-N推荐问题转化为一个二分类问题,最后通过实验结果分析表明我们的算法在推荐的准确性值上有一定的提高。