随着电子商务的不断发展和网络信息的爆炸式增加,一方面,供人们选择的信息越来越多,而另一方面,人们往往很难从海量信息中提取到自己真正需求的信息。尽管信息检索技术在一定程度上可以缓解信息过载的问题,但其无法有针对性的对用户的兴趣、行为进行个性化服务。在此背景下,个性化推荐算法应运而生。本文在研究了传统的推荐算法的基础上,讨论了基于二分网的随机游走模型在个性化推荐技术中的应用,提出了一个基于隐式反馈的相似性度量方法,引入了一个非均匀个性向量(项目在系统中的权重),对随机游走模型进行了改进,利用部分或不完全的近邻信息产生推荐信息。最后,在一个真实的数据集中进行实验,推荐准确性和实用性有一定的提高,实验结果真实可靠。在已有的推荐算法中,协同过滤算法应用最广,取得效果最好。然而,协同过滤对数据稀疏和冷启动问题并不能提供很好地解决方案。本文在前人研究的基础上引入了信任网络,用用户之间的信任关系来模拟用户之间的社会关系,用信任网络来替代相似邻域。然而,用户的数据稀疏使我们更加重视到用户之间的信任关系,即使是微弱信任关系的间接邻域,这就有可能造成推荐精度的降低。因而,我们提出了一个将信任关系、项目评分、随机游走三者有机结合的随机游走模型,有效的解决冷启动问题和推荐精度低的问题。最后,在Epinions数据集上对本章提出的算法和传统5种协同过滤算法、基于信任的推荐方法进行实验结果对比,实验结果证明我们提出的算法有更好的效果。