互联网技术的迅猛发展以及智能终端的广泛普及,使得网络信息得到了前所未有的爆炸式增长。然而这种快速的增长同时带来了两个重要问题：首先,用户难以从信息的海洋中提取自己所需要的信息。其次,一些有价值的信息因得不到关注而石沉大海。推荐系统是解决这些问题的重要技术手段之一,它能够对用户与信息特征做匹配而进行推荐。推荐系统根据推荐的方法不同可分为协同过滤、基于内容推荐、基于知识推荐以及组合推荐等。然而,由于信息海量而导致的数据稀疏等问题却是传统推荐系统的软肋。随机游走模型被广泛的认同是解决数据稀疏问题的一个重要途径。Folksonomy协同标注系统所形成的标签,不但可以用于对信息资源的分类与管理,而且还可以视为用户特征的描述,是用户与信息资源连接的纽带。基于随机游走模型与Folksonomy,本文提出了一种基于带权二部图与资源聚类的个性化推荐模型。该模型考虑了用户、标签和资源三类节点在推荐过程中的不同作用,分两阶段随机游走完成推荐。通过Last.FM与MovieLens数据集的实验,证明提出的模型能够大幅提高推荐的准确性。准确性一直是推荐效果的主要评价指标,但多样性也是体现推荐质量的一个重要方面。针对提出的推荐模型,本文又引入了一种平衡推荐准确性与多样性的方法,首先介绍一种异构推荐模型下同时考虑准确性与多样性的评估方法,基于此方法采用贪婪策略,近似寻优一个多样化的推荐子集。本文采用组合推荐的递进策略,将该方法与本文提出的个性化推荐模型组合。实验证实,该方法可以使推荐的多样性得到有效提升。