随着信息过载问题日益严重,推荐系统在我们日常生活中扮演着越来越重要的角色。同时,随着商业和互联网技术的快速发展,大量的用户消费偏好数据可用于在线市场情报分析。而获取用户消费偏好的关键就在于使用推荐系统减缓信息过载问题的影响。在信息过滤技术领域,基于质量扩散理论的网络推理算法(Network-based Inference,NBI)凭借其简单高效的特点越来越流行。针对单模映射过程中信息丢失的问题,NBI使用二分网络进行双向映射,并用不同类型的节点分别代表用户和物品,通过资源在双向网络中的随机游走,寻找物品之间的因果关系,从而为用户进行推荐。本文研究推荐方法中基于质量扩散理论的网络推理方法。针对原始NBI算法无法区分用户对收集的物品喜爱程度,从而造成所有物品节点具有相同权重的初始资源的问题,本文提出一种具有偏向性的NBI模型(Biased NBI,BNBI)来获取用户偏好。具体的研究内容如下:首先,在评级系统中,本文借鉴协同过滤方法中常用的物品相似性,在不增加模型复杂度的基础上,弥补了原始NBI算法中负面评价丢失的问题。在资源初始化时,利用物品相似性来挖掘负面评价中隐含却未被利用的信息来消除物品多样性对推荐的影响。然后通过衰减函数降低那些与用户不喜欢的物品相似的物品所具有的初始资源。由此发掘用户真正的兴趣爱好,使得初始资源分配更加合理。然后,在非评级系统中,本文对比了评级系统和非评级系统的不同之处,讨论了如何确定用户喜欢的物品。为了解决原始NBI算法中,最终资源向量非最优化的问题,本文借鉴基于内容过滤算法的思想,通过加强函数增加最终资源中那些与用户喜欢的物品相似的物品具有的资源,使得最终资源分配更加合理。其次,在真实数据集MovieLens和Last.FM上,本文引入多种评价指标对文中所提出的方法进行测试,验证所提出方法的可行性。实验结果证明,与传统的NBI方法相比,BNBI方法可以使得资源在双向网络中的分配更加合理,推荐的性能得到了有效改善。本文所提出的BNBI方法有效解决了原始NBI算法中由于负面评价丢失而产生的有效信息缺失问题以及最终资源向量非最优化的问题。最后,为了解决人们日常生活中“停车难”的社会问题。在实际应用中本文利用NBI算法为用户进行实时高效的车位推荐,极大缩减找车位或等车位的时间,从而为居民的出行提供了便利,而且更好地展现了NBI算法在推荐领域的应用价值,丰富了推荐方法的应用场景。