1、由于網絡的飛速發(fā)展，越來越多的國內外學者開始研究個性化推薦系統(tǒng)。推薦系統(tǒng)的重要組成部分即是推薦算法，當前，已經提出多種推薦算法，如基于內容、基于協(xié)同過濾及基于二部圖網絡結構的推薦算法等。其中二部圖網絡結構推薦算法與物品的類型沒有關系，主要依據(jù)用戶與物品的選擇與否來進行推薦，而且命中率較高，因此越來越受到廣泛應用。然而，現(xiàn)有的推薦算法仍然存在某些問題，本文針對這些問題進行深入研究并做出以下改進:
　　首先，本文針對傳統(tǒng)的二部圖網絡結

2、構推薦算法對二部圖邊的權值計算做了改進，提出一種加權的方法，將權值設為用戶對物品的等級評分值。與原算法相比，加權后的推薦算法將用戶的顯式評分值融入到了二部圖的資源分配過程中，使用戶評分較高的物品優(yōu)先被推薦。
　　其次，針對用戶和物品組成的網絡結構會隨著網絡上用戶與物品數(shù)量的增長越來越復雜，導致算法的運行時效性差這一問題，本文引進了用戶最近鄰概念。算法首先利用余弦相似度與修正的余弦相似度兩種方法計算出目標用戶的前N個最近鄰，挖掘他們

3、的興趣從而分析目標用戶的喜好。
　　在實際應用中，推薦系統(tǒng)應該依據(jù)用戶當前的需求生成有差異的推薦列表展示給用戶，所以上下文感知信息開始引起許多學者的重視，如今上下文感知信息已經成功應用于多個領域。由于本文提出的推薦算法只能按照用戶過去的行為給用戶推薦物品，不能代表這一時刻用戶想要的物品，因此將用戶心情的上下文感知信息加入到推薦算法中，根據(jù)當前用戶的心情為用戶推薦符合的物品。
　　最后，通過實驗對比，驗證了對二部圖邊加權、加入