随着信息和计算机技术的发展,网络的普及,人们被包围在各种信息的海洋之中,面临信息过载问题。在这种背景下,能够为浏览者提供个性化信息的推荐系统应运而生。个性化推荐系统通过收集用户的资料,预测用户可能感兴趣的商品,作出个性化的推荐服务,帮助用户迅速找到心仪的商品。个性化推荐系统能有效缓解信息过载问题,为用户带来快捷方便的体验,并且帮助商家吸引顾客,提高销售额。一般来说,个性化推荐系统主要由输入模块,推荐方法模块和输出模块三部分组成。其中,推荐方法模块是推荐系统的核心,合适有效的推荐方法是提高整个推荐系统效率的关键所在。因此,本文研究用户-物品的选择评价关系构建的二部分图网络结构,提出了节点权值自适应调节的推荐方法；然后引入描述物品属性和分类信息的标签,提出了基于用户兴趣分散度的标签-物品-用户推荐方法。用Movielen网站提供的用户对电影评价的实际数据,验证算法的效果,结果表明本文提出的方法在推荐精确性和多样性方法均有较好的效果。本文研究的主要内容有：一、个性化推荐系统的研究背景与意义,个性化推荐系统的兴起及发展现状。并介绍了目前主流的协同过滤推荐技术,基于内容过滤的推荐技术以及组合推荐技术等。分析了这些不同推荐技术的理论基础及各自的优缺点和技术发展瓶颈。二、重点介绍了基于二部分网络结构图的推荐算法,二部分网络结构图的原理,系统模型及推荐的具体过程。并介绍了目前基于二部分网络结构图算法的改进,比较了二部分网络结构图算法与已有推荐技术的优缺点并分析了所面临的问题和解决办法。三、提出了一种基于赋权二部分网络结构图的推荐算法,将归一化后的用户对物品的评分赋值给用户一物品的连边,构建一个用户一物品赋权二部分网络结构图。提出了一个物品的度调整因子,来减少度大的流行物品对其他物品的分类影响。为了提升系统发掘暗信息的能力,引入了用户度调整因子来提高大度用户的推荐能力,因为他们较多地选择了非流行物品。采用MovieLens数据集对算法进行测试,发现与两种基本二部分网络结构图算法相比,改进后的算法使系统的推荐性能得到了改善。四、研究了基于用户-物品-标签的三部分网络结构图推荐系统模型。引入物品的标签信息计算每个用户的兴趣分散度,然后对兴趣集中的用户,提高用标签信息度量的物品相似度在推荐中的权重；对兴趣分散的用户,增加用户信息描述的物品相似度在推荐中的权重。这样可以充分发挥两种信息的优势,提高整个系统的效率。通过对MovieLens数据集实验结果发现,改进后的算法是有效的,推荐精确性和多样性都获得了提高。