海量数据的产生带来了信息过载的问题。推荐算法能帮助人们从大量数据中发现自己感兴趣的信息,是缓解这一问题的有效方法。推荐多样性是衡量推荐质量的一个重要指标,而众多推荐系统存在只注重提高推荐准确性而忽略推荐多样性的问题。因此,研究出用户满意且多样性好的推荐算法具有重大意义。基于二部图网络结构的推荐算法具有准确性好、不受项目类型限制等优点,被利用在众多推荐系统中,但存在偏向热门推荐而多样性表现不好的问题。本文对该算法领域进行了深入研究,并在多样性方面对基于二部图的随机游走推荐算法加以改进,做了如下工作。首先,针对基于二部图网络结构的推荐算法多样性不足的问题,提出了融合偏好度与二部图网络结构的推荐算法。该算法用偏好度修正用户-项目二部图边的权重,在新的二部图上随机游走得出基于用户-项目的推荐列表;预测用户对标签评分,根据用户喜好标签提取间接关联项目得到基于用户-标签的推荐列表;将前面两个不同方法得到的列表进行模型融合得到最终推荐列表。本算法利用偏好度修正评分降低热门项目的推荐概率和提高冷门项目的推荐概率,再充分利用标签数据,从不同维度进行推荐,得到符合用户个性化兴趣且多样性好的项目推荐列表。在MovieLens数据集上进行实验,实验证明,本算法在不损失准确率和召回率的前提下有效提高了推荐的多样性。其次,针对网络中很多推荐系统包含评论数据且评论数据含有很多有用信息的情况,利用评论数据改进了上述融合偏好度与二部图网络结构的推荐算法,提出了融合评论主题与二部图网络结构的推荐算法。该算法使用主题情感混合模型挖掘用户-项目-情感主题概率分布与项目特征主题;利用主题评分模型计算用户对主题的评分从而找出用户喜好主题,通过这些主题得到基于用户-主题的推荐列表;将基于用户-项目的推荐列表与基于用户-主题的推荐列表模型融合得出最终推荐列表。在豆瓣电影评论数据集上进行实验,实验表明,本算法在准确率、召回率和多样性上均有所提高。