随着网络技术飞速的发展,网络资源总量呈指数型增长,信息过载问题也愈演愈烈,面对如此海量且繁杂的数据,用户很难快速找出需要的信息,推荐系统能够有效缓解这一问题。个性化推荐系统通过各种数据挖掘技术解析用户的日志信息,给用户推送其偏爱的信息。推荐领域里推荐算法设计的好坏很大程度上决定了推荐性能的高低和用户的使用感受,因此对推荐算法的研究与改进有重要的意义。在多种个性化推荐算法里,二部图网络结构的推荐算法具有推荐内容多样化、建模简单等特点而受到广泛研究。本文在广泛了解主流的推荐算法之后,又重点探究了基于二部图网络结构的推荐算法的发展历程与步骤,分析了该类算法面临的问题和需要改进之处,主要研究内容如下:（1）针对二部图网络结构的推荐算法在建模二部图过程中粗粒化评分导致的抛弃消极评分和初始资源设置不合理的问题,提出一种融合消极评分与项目属性的二部图推荐算法。该算法从两个方面深度挖掘消极评分里隐含的信息,一方面将消极评分信息建模成二部图,并利用评分均值对项目的初始资源进行改进,另一方面将消极评分结合项目属性信息进一步挖掘用户与项目的关系,使得最终的项目资源分布更加合理。（2）针对传统二部图网络结构的推荐算法仅依赖节点度实现资源扩散的问题,研究一种融合标签信息的二部图推荐算法。提出的算法将标签信息融入到二部图推荐算法的各个阶段,充分挖掘用户对项目打标签的日志信息。首先在初始化项目资源时,利用项目的标签分布提出一种对项目的初始资源的扩充方式,从而一定程度上缓解数据稀疏;其次借助标签和评分信息计算用户之间的信任度,根据信任度的差异性对项目向用户扩散的资源进行重新分配;最后利用用户对项目标记的标签数量进行第二阶段的资源差异化分配。在常见的数据集上进行实验验证,结果表明这改进后的算法能够充分挖掘并利用被忽略的评分信息和其他的有效数据,不仅可以确保推荐出来的项目有良好的准确性,而且结果的多样化也有一定程度上的提高,满足用户的个性化需求。