本文主要基于复杂网络理论来研究推荐系统中的用户评分预测问题。重点研究了用户评分行为的异质性,提出了多个有效的个性化推荐算法。这些工作推动了推荐系统从个性化推荐算法到算法的个性化的研究。主要工作成果如下:1.提出一种结合用户偏好的个性化推荐算法。最近被提出的混合推荐算法将用户对算法的偏好程度设为一致,有悖于用户对算法偏好具有异质性的事实。本文提出和设计了针对用户偏好的个性化算法参数。通过两个基准数据集上的实验结果表明,该算法在准确率上能分别提高1.56%和8.33%。2.提出了推荐算法的个性化概念并研究了用户的最佳适用算法。传统推荐系统对所有用户使用单一推荐算法,而实际上不同用户适合采用不同的推荐机制。本文尝试根据用户自身特性关联其最适用的算法。实验结果表明,若所有用户匹配到其最佳算法,相比两个典型算法,在排序准确度上能分别提高20.53%和12.35%。该工作有助于推动解决数据集特性与其最佳推荐算法关联的重要问题。3.提出一种基于产品质量和用户评分偏好的个性化推荐算法。协同过滤推荐算法在用户或产品数目庞大时,可扩展性面临严峻挑战。本文提出一种依据产品质量和用户评分偏好的个性化推荐算法,该算法不仅具有低复杂度和可解释性好等优点,在三个基准数据集上的实验结果表明,该算法的预测准确性比趋势推荐算法分别提高2.99%,3.18%和3.53%。4.提出一种基于用户评分可信性的个性化推荐算法。由于推荐系统能直接影响用户对商品的购买意图,因而容易受到恶意用户的攻击,导致不能直接利用评分来评价商品的质量。本文通过引入多种用户信誉评价机制来计算用户评分的可信度,提出具有防止恶意操纵的个性化推荐算法。实验结果表明,在较强攻击时,考虑评分可信性的算法在预测准确性上比原算法分别提高1.70%和1.20%。