随着大数据时代的到来,信息过载问题变得越来越严重,推荐系统是用于解决信息过载的有效途径,它用来给用户推荐可能感兴趣的事务。推荐算法是推荐系统的核心,它用于处理输入信息并将其形成推荐信息。近年来,基于二部图的推荐算法受到了很多研究者的关注,本文通过分析二部图推荐算法的优劣势,对其进行改进,主要工作如下:1.针对传统二部图推荐算法所存在的初始资源设置不合理,以及仅仅依靠项目度和用户度来调整资源分配系数的问题,研究一种基于差异化资源分配的二部图推荐算法。首先利用评分规范化和最大最小值的方法对项目初始资源进行修正,在此基础上引用艾宾浩斯遗忘函数来量化用户“兴趣偏移”所带来的影响。然后分别利用用户评分相似性函数和用户偏好函数对两个阶段的分配系数进行差异化设置,使资源流转变得更加合理。最后在推荐系统经典的Movie Lens数据集和Netflix数据集中进行实验验证,结果表明新提出的算法在提高准确率和召回率的同时也改善了推荐的多样性。2.针对二部图推荐算法所存在的用户冷启动等问题,研究一种基于马尔可夫链信任网络的二部图推荐算法。首先将基于差异化资源分配的二部图推荐算法第一阶段资源分配过程中项目流向用户的资源值作为目标用户对其他用户的隐式信任值,并结合显式信任值得到直接信任值;然后把信任值的传递过程看成是马尔可夫链模型,利用马尔可夫链对直接信任值进行传播聚合,并结合小世界理论和信任熵设置迭代的终止条件;最后利用迭代后得到的全局信任值为目标用户生成推荐。在带有用户间信任关系的Epinions数据集中进行实验验证,结果表明新算法不仅提高了推荐的用户覆盖率,同时推荐的准确率也有了一定的提升。