随着互联网的迅速发展,数据指数型的增长超出了用户的处理能力,我们逐渐步入了“信息爆炸”的时代,海量数据的产生带来了严重的信息过载问题。如何从海量数据中快速挖掘出用户感兴趣的产品,推动了个性化推荐技术的发展。个性化推荐技术主要是利用用户历史数据来构建用户兴趣模型来预测用户感兴趣的产品或项目,为用户提供个性化推荐。推荐算法包括协同过滤算法,基于内容的推荐算法,基于网络结构的推荐算法等。本文主要的研究内容和成果分以下几个方面:(1)详细分析了个性化推荐研究意义和目的,介绍了目前比较流行的推荐算法,并分析了各种算法存在的优缺点,为本文研究内容打下了坚实的理论基础。(2)以现有推荐算法存在的不足作为本文研究问题的出发点,通过有效地融合用户多种信息来提高推荐算法的性能。(3)考虑现有基于网络结构的资源扩散模型忽略了用户-产品评分信息对推荐结果产生的影响,本文提出了基于用户评分偏见的加权二分网络的资源扩散模型,为了更好地挖掘用户的偏好和厌恶,考虑了用户-产品评分等级对推荐产生的差异。首先,通过半累积分布方法将用户评分进行规整,把用户显示评分转化为用户偏好评分,重新构建了加权的用户-产品二分网络,然后利用资源扩散算法计算出产品间的相似性,利用评价指标获得每个产品推荐给用户可能性值,将排在Top_n的产品推荐给目标用户。最后本文在真实数据集MovieLens上进行了验证,证实了新算法对推荐模型的准确度和多样性上有很大的提高。(4)考虑仅采用用户-产品之间的二元关系会给推荐带来的冷启动或数据稀疏性问题,如何有效地融合用户个人属性,兴趣标签信息,交互行为等多种属性信息是本文研究的重点。本文将给目标用户推荐其他用户的可能性值转化为逻辑回归求概率预测的问题,首先从微博数据中抽取能反映用户间相关性的特征向量,然后通过梯度下降法训练获取最优回归参数来构建微博用户推荐模型,为目标用户推荐Top_n个用户。最后在KDD Cup2012的腾讯微博数据上做了验证算法的有效性。