随着信息技术和互联网的迅速发展,选择网络购物的人群越来越庞大,电商平台的商品信息也越来越繁杂,这种爆炸式的商品增长使用户陷入了信息迷航,很难快速准确的检索出自己想要的商品。为解决这一问题,个性化推荐算法发挥了重要作用。众多推荐算法中,基于图的推荐算法脱颖而出,越来越多的学者开始投入研究,但仍存在一些问题。本文改进两种基于图的推荐算法,分别解决推荐过程中“兴趣漂移”、“长尾效应”以及构建图的过程中图节点对象考虑不周全导致推荐性能下降的问题。为了解决兴趣漂移问题,我们将用户、商品以及能反应商品属性的关键字构成三部图,融合遗忘机制,将遗忘机制作为三部图边权值计算的依据;为了解决推荐过程中经常出现的长尾效应问题,我们将物质扩散理论与由遗忘机制加权的三部图融合。分析当下对推荐算法的主流要求,将推荐的多样性和推荐列表排序的准确性作为算法性能的评价指标,对Movielens-10M数据集进行整理,验证了算法的合理性和有效性。为了解决传统图推荐方法构图过程中简化平台中实体对象,弱化平台中的实体关系,导致推荐准确性低的问题,我们将电商平台中存在的多种对象构成混合图,构建过程不考虑对象的异构性;节点的转移过程将系统日志、用户行为和商户付费等信息结合,既考虑了用户历史行为又将用户当下诉求以及商户、平台的利益考虑在内。提升用户体验,增加商户满意度的同时提升了平台的收益。将算法应用在地方性电商网站并爬取数据进行实验验证,证明了算法的准确率、查全率以及它们调和值的优越性。本文改进的两种算法均不需要用户的主动参与,不会中断用户当前操作,通过实验对算法进行评价验证也取得了不错的结果。