近年来,随着移动互联网应用的快速发展和Web 2.0应用的流行,个性化推荐系统在帮助用户挖掘感兴趣的内容和帮助企业做产品推广等方面发挥着越来越重要的作用。个性化推荐系统被广泛地应用于人们生活的方方面面,例如金融、资讯、社交、旅游、教育等等领域。目前有越来越多的研究学者致力于研究如何优化推荐系统的准确性、多样性、新颖性等指标,以满足各领域用户越来越高的需求。在面向实际应用的推荐系统中,针对推荐系统如何同时满足准确性、多样性和新颖性这一研究目标,一个重要的研究分支就是基于二部图网络结构的推荐算法的相关研究。这类算法引起了研究学者的浓厚研究兴趣,但是仍然存在一些问题:(1)就优化目标而言,大多数推荐算法研究都集中在提高算法的准确性上,而推荐质量的多样性、新颖性等指标或多或少被忽略了;(2)个性化推荐系统的准确性与多样性(和新颖性)存在“此消彼长”的难题;(3)基于网络结构的算法模型在准确性和多样性等表现上有所局限,需要利用其他算法的多样性和新颖性等方面的优势。针对这些问题,本文进一步分析了用户活跃度和物品流行度在推荐算法中的重要作用,对基于二部图网络结构的类扩散推荐算法的准确性、多样性和新颖性进行深入研究。除此之外,本文也将推荐系统创新性地应用到在线教育领域,研究如何将多样化的在线学习资源推荐给用户。综合起来,论文主要研究工作和创新点如下:(1)提出了一种应用于类扩散算法的增强型相似度(简称Eh-系列算法)。针对个性化推荐系统存在准确性与多样性“此消彼长”的难题,一般算法在提高多样性(或新颖性)的同时,往往会使准确性降低,所以,在本文中,我们增强了类扩散算法的转移函数中的共同部分—RA相似度的功能性,从而提高了类扩散算法中冷门物品之间的相似度,降低了流行物品之间的相似度。通过这种方式,我们可以增加冷门物品的被推荐分数,从而达到提高推荐结果多样性的目的。在三个真实世界基准数据集(MovieLens,Netflix和RYM)上的实验结果表明,与原始模型相比,改进后的模型可以显著地提高多样性,同时保持较好的推荐准确性甚至可以在一定程度上增加准确性。(2)提出了一种从推荐系统的用户中提取虚拟专家的方法—专家轨迹跟踪方法(简称ExTrA-系列算法)。针对个性化推荐系统存在用户在评价或者选择的物品的多样性和新颖性各不相同的情况,通过在二部图网络的物质扩散算法中探索各类虚拟专家在多样性和新颖性上的推荐能力,将这些虚拟专家应用到物质扩散算法模型中,并将这些基于虚拟专家的模型与两个效果较好的类扩散算法(HHP和BHC)进行了比较。在三个真实世界数据集MovieLens,Netflix和RYM上的综合实验结果表明,我们提出的基于专家轨迹跟踪方法的模型可以实现算法多样性的显著增加,新颖性也得到了提高,同时也保持了较好的准确性。(3)设计了一种协同过滤算法和物质扩散算法的混合算法(简称HI-系列算法)。我们已经知道了最基本的物质扩散算法(Mass Diffusion,MD)准确性较好,但是多样性较差;而基于物品相似度的协同过滤算法(Item-based Collaborative Filtering,ItemCF)的多样性极好,但是准确性较差。针对提高个性化推荐系统多样性和新颖性的问题,我们通过混合这两种算法,得到准确的、多样的和新颖的推荐结果。我们称这个算法为混合的ItemCF和MD算法(简称HI-MD),并将ItemCF进一步应用到其他目前公认的效果较好,影响力较大的类扩散算法HHP、BHC和BD上。在真实数据集MovieLens、Netflix和RYM数据上的实验结果表明,我们提出的HI-系列算法不仅可以实现多样性和新颖性的提高,同时也可以保证较好的准确性,而且与常用算法不同,这类改进算法在稀疏数据集上同样取得较好的效果,具有一定的鲁棒性。(4)此外,除了在上述常用数据集上的研究之外,我们将个性化推荐系统创新性地应用到在线教育领域,设计并实现了一个在线共享课程(Massive Online Open Courses,MOOC)平台的学习资源推荐系统(简称Wikification推荐系统)。在推荐系统在实际生活中的实用性以及按需在线学习时代的背景下,本文尝试在MOOC平台的讨论区对话中自动提取用户的有关学习资源的关键短语,分析用户对学习资源的需求,从而将多样化的学习资源准确地推荐给用户。本项工作的数据来源于真实的MOOC平台—Coursera,经过收集、处理、人工标注并应用到推荐系统中,推荐结果显示了Wikification推荐系统的学习资源推荐功能的准确性和可行性。