随着推荐应用的不断拓展和深化,多样性在推荐中得到了越来越多的重视。现有大部分研究聚焦于提高推荐的个体多样性或总体多样性,并与准确性保持一定平衡。但是个体多样性的提高并不意味着总体多样性的提高,反之亦然。因此如何在保持一定准确性基础上同时提高个体多样性和总体多样性成为推荐中的重要问题,其研究具有重大意义。结合用户对在不同类别内物品感兴趣程度的差异性,提出集成物品类别与流行性的重排序方法。本文的主要工作与贡献如下:(1)提出集成物品类别与流行性的重排序方法,该方法在物品类别划分的基础上,考虑用户对不同物品类别关注程度的不同,采用差异化的策略重排序推荐列表并平衡不同类别的物品分布,从而提高推荐的个体多样性与总体多样性。(2)在类别划分过程中,提出两种不同的划分方式以适用不同的数据场景并进行系统的总结;在用户关注度的度量中,提出了量化方法;且不论是类别划分还是重排序以及再平衡过程,都无需改变推荐算法,因此能与多种算法相结合,具备较好的可扩展性。(3)进行实证研究。在Movielens数据集中进行多组实验,对本文的方法进行多样性和准确性的度量,并与现有的方法进行对比实验来验证本文方法的性能,并验证了本文方法在不同参数下的鲁棒性。研究表明,本文提出的方法能以准确性的有限损失为代价,同时提高推荐结果的个体多样性与总体多样性,为多样性推荐研究提供了新的方法论,有着较高的理论与实践价值。