当今社会,网络化是信息社会最为典型的社会特征,网络社会的信息服务可获得性大大提升,高速、泛在、便宜、好用的信息基础设施全面普及。大量的信息产品与信息服务涌入市场,人们可以最大限度的享受信息服务,人员可以创造、获得、使用和分享信息。在这样的信息社会中,信息无时无刻都在被产生、交换。虽然信息丰富、开阔了人们的视野,但也在一定程度上带来了烦恼。最为突出的问题是:人们无法直接在海量信息中快速获取自己想要的那部分信息,反而使自己有限的精力被大量无关的信息不自觉的消耗了。因此,研究面向用户的个性化推荐尤为重要。基于二部图的个性化推荐方法作为一种准确率高,不受项目类型限制的推荐方法受到广泛关注。本文首先深入研究了传统推荐算法和二部图推荐算法,其次,对经典的MovieLens观影数据集进行了全方位的可视化展示。针对加权二部图算法存在的问题,对二部图结构中的加权二部图资源分配过程中的权重系数和相似度进行了改进。在此基础上,一是融合随机森林算法,提出了一种基于随机森林修正的加权二部图推荐算法。算法经过改进和融合后,提高了推荐的准确度,解决了基于二部图网络结构的算法中仅考虑用户与项目之间关系、忽略兴趣偏好影响的问题,从而增强了推荐的可解释性;二是开发了引入信任网络的二部图推荐算法,利用信任矩阵与相似度矩阵,提高了在数据稀疏的情况下进行推荐的准确率。最后,根据推荐系统的各个评价指标对上述算法分别进行了实验验证,讨论了关键参数的取值范围和最佳取值。最终开发完成了基于二部图的个性化推荐系统。