推荐系统在电子商务、电影、音乐等众多领域有着广泛的应用,作为推荐系统的基础,推荐算法是一个非常重要的研究课题。虽然研究者提出了多种多样的推荐算法,但目前的推荐算法仍然面临着准确性低、冷启动和易受攻击等问题。本文研究重点在提升推荐算法准确性和增强推荐算法鲁棒性这两方面,具体地研究工作如下。(1)针对传统的物质扩散和热传导算法分配资源不合理的问题,本文提出一种基于流行度的动态资源分配算法。本文考虑到不同时期的物品流行度影响程度不同,提出物品加权度的概念,并且基于此概念对传统算法进行改进,设计了非均衡物质扩散和热传导算法。实验结果证明,相对于原始的物质扩散算法和热传导算法以及一些基于物质扩散和热传导的改进算法,本文提出的算法能够显著地提升推荐系统的性能。(2)针对推荐系统容易受到网络水军攻击的问题,本文提出了一种基于用户内部相似性的方法来提升推荐算法的鲁棒性。现有的推荐算法只注重准确性和多样性,缺乏对鲁棒性的研究。本文系统地研究不同水军行为对推荐系统的影响,发现系统中的虚假和冗余信息会降低推荐系统的准确性。本文在基于用户的协同过滤算法和物质扩散算法中融合用户内部相似性,提出了改进的协同过滤算法和物质扩散算法。实验结果表明,改进的算法能够在一定程度减少系统中的信息噪声对推荐系统性能的影响,提升推荐系统的鲁棒性。