随着互联网技术的迅猛发展，我们进入了信息爆炸时代。由此产生的后果是用户很难从海量的信息中发现自己真正感兴趣的那部分。个性化推荐系统利用已有的选择过程或者相似性关系挖掘用户潜在感兴趣的对象。本文按照推荐算法的不同，分别详细介绍了基于内容的推荐系统，协同过滤推荐系统、混合推荐系统以及最近兴起的基于复杂网络的推荐系统。文中详细讨论了以上各推荐系统的优点及缺点，并分析了造成这些优点和缺点的原因。　　 本文重点阐述了基于二部图网络的推荐系统，该推荐系统原理是把用户和产品分别看成是二部图网络的两类结点，然后利用资源分配等理论进行算法演化。实验结果表明，基于二部图网络的推荐算法无论是在计算复杂度还是在推荐精度上都要优于传统的推荐算法。此外，该算法在保持良好的推荐精度的同时还能推荐更多的冷门产品。本文也讨论了几种可行的算法优化方案，实验结果表明，优化后的方案确实有着更好的推荐效果。为了解决协同过滤算法的冷启动问题，本文在二部图网络的基础上加入标签并与用户和产品组成三部图网络，得到新的基于三部图网络的推荐算法，再利用加权网络的思想对其进行完善，充分考虑到了产品的流行度以及标签的流行度对用户或者产品相似性计算的影响，进而演化出了一个基于加权三部图网络的推荐算法，实验结果表明，适当的降低流行产品与流行标签的权重，可以使推荐精度得到明显的提高，除了推荐的精度有较大提高之外，在推荐的新颖性方面比传统方法也有一定程度的提高。文章最后给出了一个原型系统，做到了理论与实践相结合。