随着信息化愈发深入人们的工作生活,人们在工作、生活和学习中要面临天文数字般的数字信息。为了解决“信息过载”现象,学者们提出了搜索引擎的解决方案,其能帮助人们在海量数据中搜索有用数据。但是搜索引擎提供的内容不能因人而异,已经愈发无法满足人们的生活需要。个性化推荐系统随之出现,旨在考量不同人群的不同兴趣方向,从而帮助不同人群过滤无用信息。推荐系统从诞生到现在,学术界和工业界的研究者们不断丰富和改进个性化推荐系统,其中基于物质扩散和基于热传导的个性化推荐系统以其优秀的准确性和多样性吸引着许多学者的研究和改进。本文围绕基于物质扩散和基于热传导的个性化推荐系统存在的不足之处展开讨论,提出了改进策略和方法。本文的创新点和工作内容如下所示:(1)提出了基于混合平衡扩散的个性化推荐算法。传统的二部图算法要么准确性不高,要么多样性较差,以往研究者们把更多的精力集中于提升单个算法的性能,而并未综合考虑物质扩散和热传导各自的长处,改善彼此的短处,从而提升算法效果。本文综合物质扩散和热传导的个性化推荐算法的优点,通过控制过度流行的物品和活跃用户,为不同的群体分配不同的资源量,提出了针对性的改良算法。在不同数据集上利用七种不同指标全面衡量算法的性能,同时通过仿真实验证明了该算法相比于其他的经典算法在资源分配方面的优势。(2)提出了基于增强型消除冗余相似性的个性化推荐算法。物质扩散算法和热传导算法是把用户和物品之间关系简化为二部图关系,利用用户和物品之间的资源分配结果来确定个性化推荐列表。在现实生活中,天文数字般的用户和物品会导致二部图在实际的资源扩散过程中会出现过度扩散和冗余计算的现象。为了改良上述两个问题,本文首先通过惩罚过度流行物品的流行度,从而抑制过度扩散现象,然后通过引入二阶相似性来减少资源扩散到相似物品上,从而在一定程度上减少重复计算的问题,进而缓解了冗余相似性的问题,最后在多个不同的数据集上进行仿真训练,并从三个方向共七个指标综合考量算法性能。实验结果表明,基于增强型消除冗余相似性的个性化推荐算法能够有效地改善上述两个问题,提升推荐算法的性能。综上所述,本文主要针对目前传统的基于物质扩散和基于热传导的推荐算法中存在的部分不足之处做出改进,针对不同的缺陷针对性地提出两种不同改良算法,能够有效地改进传统二部图算法中的缺陷,进而提高算法的可用性和可靠性。