信息推荐技术以其巨大的应用价值受到了人们的极大关注。但现有研究大多只针对静态系统和单步推荐问题,忽略了推荐系统的演化特征以及推荐算法的长期表现。本文使用二部图来刻画信息推荐系统,利用复杂网络理论,从网络结构的演化分析角度来研究在线系统中推荐技术的使用与在线系统的相互影响及协同演化。主要内容有:1.研究了信息推荐网络的长期演化特征。本文设计了一个推荐与在线系统协同演化的过程,首次系统地研究了几种常用推荐算法对在线系统网络结构和推荐功能带来的长期影响,发现推荐算法在很大程度上加强了网络的重要结构特征。特别地,随着人工网络与实际网络在结构特征上的偏离越来越大,后续的推荐效果也逐渐变差。该研究为设计在线系统长期有利的推荐算法提供理论支持。2.研究了推荐算法与在线系统的协同演化。通过跟踪用户选择的微观过程,揭示推荐效果长期变差的本质原因。分析用户选择产品及产品的初始度与其增量的关系,发现在协同演化过程中流行产品越来越活跃,最终使得推荐算法完全失效。而目前的推荐算法总是倾向于推荐流行产品,或者在顾及推荐多样性时牺牲了准确性,均无法长期保持良好的推荐效果;此外,单纯对推荐列表重排不能从根本上改善协同演化过程,需要推荐机制自身的优化。3.基于在线系统中大量用户的行为特征,建立了一个简单可控且能较好地模拟真实系统演化过程的网络模型。该模型考虑到实际中用户不接受推荐的情况设置了一个用户接受推荐的概率,当用户接受推荐的时候在有效推荐列表中依据预测评分的偏好依附机制来选择产品,当用户不接受推荐时依据度的偏好依附进行选择。通过对接受推荐的概率及偏好依附的程度进行调参,确定最优参数。实验结果表明该模型更好地再现了在线网络的统计特性。