随着移动互联网的飞速发展以及智能终端的普及,越来越多的消费者开始使用智能终端来进行社交,娱乐,消费等,中国已经成为了全球移动互联网最重要的市场之一。近年来,各式各样的APP层出不穷,人们想要从大量的APP中找到自己感兴趣的APP变得尤其困难,传统的搜索方式已经不能满足用户需求,所以个性化推荐应运而出。但是传统的个性化推荐算法不能很好地解决物品冷启动、数据稀疏性以及用户兴趣迁移问题。针对这些问题,本文通过引入物品的标签信息,深入研究基于用户-物品-标签三元关系的个性化推荐算法,提出了一种基于加权三部图模型的推荐算法。论文的主要的研究内容和成果如下:1.提出一种基于加权三部图模型的推荐算法,通过定义用户重要性权重,物品重要性权重以及标签重要性权重来初始化物品节点的资源值。通过引入时间加权权重参数,设置三部图的边权重来反映用户兴趣迁移。在加权三部图模型的基础上,通过物质扩散算法来提高推荐的精准性,另外本文通过热量传导算法来提高推荐对象的多样性,并且通过资源整合来平衡精准性和多样性。2.对某运营商提供的真实用户的上网轨迹数据进行预处理。首先将用户访问的域名处理成token。通过定义token的反文档频率tidf来区分不同token表达HOST的能力。通过爬虫程序爬取应用商店的App信息,将表达域名的token映射成App名称,再根据App名称爬取应用商店中对应的类别标签。通过爬虫得到的类别标签五花八门,存在多个标签语义相同但文本表达不同的情况,需要对标签类别进行归纳,构建统一的App类别标签体系。3.在某运营商提供的真实数据集上进行实验,实验结果表明基于加权三部图模型的推荐算法在推荐性能上优越于其他传统的推荐算法。