随着互联网的快速发展,网络上出现的信息呈指数增长,出现信息过载问题。推荐系统,因其可以根据用户的历史浏览记录为用户从海量信息中找到有用信息并推荐给用户而成为解决这一问题的有效方法。网络信息的爆炸式增长使得传统的推荐系统很难满足人们个性化的需求,因此,如何在现有推荐系统的基础上研究出更具个性化的推荐系统在学术和商业领域中都具有重大意义。现有推荐系统中,基于二部图网络结构的推荐算法因其具有推荐准确率高并且对产品种类无限制等优点而深受研究学者们的关注,本文的研究工作就是以此展开的。本文首先深入研究了基于二部图网络结构的推荐算法,针对此推荐算法中资源分配规则不合理的缺点,对该算法进行改进和优化,并提出了一种基于标签属性的二部图网络结构推荐算法。该算法利用标签信息来构造用户、产品的特征向量,从而得到用户相似度和用户对历史产品的兴趣度;然后,利用用户相似度和用户对历史产品的兴趣度来调整资源,使得资源在用户和产品之间的分配更加合理,产生更好的推荐结果。最后,在Movie Lens数据集上的实验结果表明了改进算法能有效提高推荐准确性和多样性,提高推荐质量。在上述研究基础上,考虑到数据稀疏问题为推荐系统带来的影响,本文接着提出了一种基于隐语义模型的二部图网络结构推荐算法。该算法通过隐语义模型算法,挖掘出用户和产品之间的隐性特征,从而得到更加科学的用户、产品的特征信息;然后,利用用户、产品特征信息计算用户偏好相似性,来调整资源分配问题,从而提高推荐效果。在Movie Lens数据集上的实验结果表明,与原始的基于物质扩散的二部图推荐算法(NBI)相比,准确率平均提高了4.36%,召回率平均提高了16.67%,综合评价指标F1平均提高了6.87%,平均海明距离平均提高了25.69%,证明该改进算法在准确性和多样性方面都有得到提升,提升了推荐结果的准确性和个性化程度,满足用户的个性化需求。最后,本文还设计并实现了一个基于二部图的电影推荐系统,实现了数据的可视化分析和推荐列表的可视化展示等功能。