在大数据时代,推荐系统随处可见,推荐系统作为一个有效的工具,能很好的提高用户获取信息的效率。因此,不断的研究以改善推荐模型的性能,具有非常重要的意义。本文针对现有推荐模型存在的两个问题,提出了两个相应的方法进行解决,具体问题和解决方法概括如下。首先,在推荐系统当中,我们所研究的用户和物品各自都是存在关联的,如果忽略任意一方的关联信息,都会给推荐结果带来误差。然而现有的推荐算法大都没有充分利用用户关联和物品关联,导致推荐效果受到影响。针对这个问题,本文提出了一个基于物品互补替代网络和用户相似性网络的推荐模型。本文利用不同用户在评分上的相似性,构建出一个用户相似性网络,来反映用户关联。然后构建物品的互补替代网络来反映物品关联。最后将用户和物品的关联同时用于推荐。本文在Amazon公开的数据集上进行实验,结果表明,由于充分利用了用户和物品的关联,本文模型比对比的推荐模型效果更优。其次,在推荐领域中,物品之间的互补替代关系已经被证明能很好的提升推荐模型的效果,但是目前物品的互补替代关系大都是从Amazon等平台提供的Also-viewed和Bought-together这两种物品关联数据中得到的。这种现状导致相关的推荐模型对现成的物品关联数据存在依赖,使其应用场景受到限制。针对这个问题,本文提出了一个基于文本相似度和同购概率来预测物品之间互补替代网络的方法。该方法利用最通用的评分数据和物品文本数据,通过计算物品的文本相似度和同购概率,来预测物品的互补替代关系。本文在Amazon公开的数据集上进行实验,结果证明该方法具有不错的预测效果。有了该方法之后,基于物品互补替代网络的推荐模型,不用再依赖Amazon等平台现成提供的Also-viewed和Bought-together等物品关联数据,因此其适用场景大大增加。