推荐系统是一个很重要的工具,它能帮助用户在不同潜在选择对象之间做出选择,进而克服由于信息过载而带来的选择难问题,被许多电商网站所使用的同时,也吸引了广大科学界的关注。到目前,许多的个性化推荐算法都是从点相似性的角度出发来提高推荐的准确性。但它们往往忽略了推荐的多样性。单方面提高推荐准确性会造成“信息茧房”现象,使人们难以扩展自己的知识世界。因此,本文提出了一种基于混合策略的个性化推荐算法,在考虑推荐准确性的同时提高推荐的多样性。图计算是研究推荐算法的常用知识体系,本文将以二部图为基础,以三类数据建立三对二部图来研究三类数据之间的两两关系,并用量化每个关系,在此基础上建立三角形模型;同时,本文将从数学的角度证明此模型中的关键计算过程,以此说明本文提出的混合策略是合理的;最后实现多样化的个性化推荐。本文相关工作如下:1、数据方面:(1)选用公开数据集,如MovieLens、Netflix等;(2)除了用户和商品这两个常规数据要素外,本文将加入“第三因素”数据;(3)按照时间戳为每个用户的行为数据进行升序排序。2、构建三角形模型:首先是介绍如何构建三角形模型;其次是如何量化模型中数据之间的关系;最后从数学的角度对计算过程和多样性从何而来进行证明,以此保证方法的合理性。3、模型测试指标:介绍常用模型测试指标,并重点讨论常用评价指标之一-MAP指标。4、实验结果分析:本文提出的基于混合策略的个性化推荐算法旨在保证一定推荐准确性的同时提高推荐的多样性,由于热传导算法(HC)重点研究了推荐的多样性,所以本部分将有以下内容:(1)重点与HC算法进行比较;(2)从数据的角度分析本文所提算法得到的推荐结果;(3)与其它推荐算法比较。本文提出的基于混合策略的个性化推荐算法是无参数的,通过公开数据集和常用测试指标的检验,证明了本文所提算法具有较好的推荐性能。本文的研究对于现阶段推荐算法领域的研究有一定的补充作用,并且是一种全新的研究思路,对推荐算法应用于实际具有重要意义。