随着移动终端普及和互联网技术的快速发展,使得信息业务数据量呈现几何级数的爆炸性增长,从而进一步加剧了“信息过载”的问题,已成为互联网技术继续发展的严重阻碍。现有基于搜索引擎的信息检索技术也已不能完全满足不同用户对信息获取以及过滤的要求。个性化推荐系统依据用户历史行为信息预测用户偏好,为用户提供个性化服务,主动向用户推荐更丰富、更吻合用户喜好的信息,打破了用户在海量数据中难以获得个性化信息的僵局,已成为辅助用户主动获取信息的重要工具。迄今为止,针对不同应用场景的推荐算法在学者的研究下不断丰富,其中基于物质扩散的推荐算法凭借其良好的推荐效果和适应性,近年来得到了学者的广泛关注。本文致力于分析现有基于物质扩散的推荐算法存在的缺陷,并基于物质扩散提出了两种综合性能更佳的推荐算法。本文主要创新点和工作如下:(1)提出了基于偏好双向物质扩散的推荐算法。传统基于物质扩散的推荐算法大都只考虑从已选择物品到未选择物品的单向相似性,由于相似性的不对称性导致物品间相似性估计存在偏差,同时传统基于物质扩散的推荐算法偏向于推荐比较流行的物品,存在着流行性偏见的问题。本文在考虑从已选择物品到未选择物品的正向相似性的基础上进一步考虑从未选择物品到已选择物品的反向相似性,并在双向相似性上均通过流行性惩罚来缓解流行性偏见问题,提出了基于偏好双向物质扩散的个性化推荐算法。在Movielens、Amazon和RYM三个数据集上的十重交叉验证实验结果表明,基于偏好双向物质扩散的个性化推荐算法能有效修正相似性估计偏差和缓解流行性偏见问题,大幅度提升推荐的综合性能。(2)提出了基于抑制过度物质扩散的推荐算法。现实的推荐网络结构复杂,基于二部图网络物质扩散的推荐模拟资源重分配的过程,普遍存在着过度扩散的现象,导致一些用户对物品的喜欢程度被过高的估计,严重影响推荐的性能。针对过度扩散导致的流行性偏见和冗余相似性两个主要问题,本文通过惩罚物品流行度并考虑用户选择的异构性来抑制流行性偏见问题,在此基础上进一步引入二阶相似性来适度的减少资源过度扩散到存在相似性冗余的物品上,缓解冗余相似性问题,由此提出了基于抑制过度物质扩散的个性化推荐算法。经过三个真实数据集(Movielens、Amazon和RYM)上的十重交叉验证实验,结果表明,基于抑制过度物质扩散的个性化推荐算法能够更加全面、更加有效地抑制过度物质扩散的问题,有效地提高推荐性的准确性,多样性和新颖性。