随着互联网的普及,信息化时代逐渐拉开帷幕。日益呈指数增长的数据信息使得人们难以及时、准确的获取所需信息,大大降低了信息的利用率,即“信息过载”问题。为了克服该问题,国内外研究学者提出了具有代表性的信息过滤技术——推荐系统。它无需用户提供明确需求便可预测用户的兴趣偏好,有效的辅助用户做出准确的选择。随着电子商务的快速发展,个性化推荐技术也获得较大的研究突破。如今推荐系统已经成为涵盖多学科知识的热门研究领域。近些年,复杂网络和大数据技术的研究取得了许多的成果。于是,研究学者将复杂网络与推荐系统相结合,其中便包括基于二部图的推荐算法,即研究资源在二分网络的扩散过程。为了进一步提升推荐算法的性能,本文围绕改进基于扩散过程的推荐算法展开了一系列研究,主要研究工作包括以下几点:(1)构建了融合用户上下文信息的信任关系网络。“物以类聚,人以群分”,结合集体智慧的思想,相同点较多的人更容易成为朋友。因此本文借鉴社会心理学中人与人之间产生信任的原理,从用户行为信息、用户上下文信息以及用户兴趣偏好三个方面生成基于相似度的信任关系网络,有助于缓解数据稀疏性问题对推荐算法的影响。(2)提出了融合信任关系网络的物质扩散和热传导混合推荐算法。结合用户信任关系网络,本文将传统的“用户-物品”二部图扩展为“用户-用户-物品”的两层网络,使得资源的扩散过程在两层网络中进行。传统的基于资源扩散的推荐算法是根据节点度平均分配原则实现资源的扩散,而本文提出的算法引入了信任关系,使得资源在“用户-用户”网络层扩散时按照权重比例分配。同时,用户上下文信息的引入有助于缓解用户冷启动问题。(3)对比了几种经典推荐算法基于MovieLens数据集的推荐性能。本文提出算法分别与传统的协同过滤算法、基于物质扩散的推荐算法、基于热传导的推荐算法以及前两者的混合推荐算法进行了比较。实验结果表明,本文提出的算法对于推荐精确度以及多样性均有一定程度的提升,有助于缓解长尾效应。