随着互联网大规模的普及、信息时代的高速发展,网络数据量呈爆炸式增长趋势,产生信息过载问题。如何从海量数据中快速获取自己真正想要的信息一直是个研究热点。目前,推荐系统是解决该问题的最好方法。推荐算法是推荐系统的核心,其中基于网络的推荐算法是本文的重点。它的基本思想是:将用户和对象抽象为节点,忽略目标用户和推荐对象的基本特征,只考虑二者之间是否存在选择与被选择的关系,然后通过计算这种关系建立推荐模型对用户进行推荐。本文的主要内容是在现有研究的基础上,针对基于网络的热传导和物质扩散推荐算法的研究。本文首先对推荐系统的定义、一般模型、要素及目前的研究现状进行了综述,并详细介绍了主流推荐算法的基本思想和流程。然后对热传导和物质扩散推荐算法进行了深入研究,并分析了二者的优缺点。热传导推荐算法多样性好、准确性低,而物质扩散推荐算法准确性好、多样性低。针对该问题,本文提出了如下两种改进型混合算法:(1)基于交叉混合策略的FHTM算法。为了突出用户在整个推荐过程中的影响,该算法的两次资源传递均按照用户的度进行重新分配。实验结果表明,该方法与热传导算法相比,准确性有了大幅度的提高,而多样性略微下降;与物质扩散算法相比,准确性和多样性都几乎一致。(2)针对热传导、物质扩散和FHTM算法存在的问题,本文继续提出了一个新的基于热传导和物质扩散的混合推荐算法HMW。该方法主要是在现有研究成果的基础上,通过引入用户活跃度,调节用户在整个推荐过程中的影响,进而进行个性化的推荐。最后,本文采用标准数据集MovieLens和Netflix,从精确率、召回率、排序准确性、多样性方面对本文提出的算法HMW与改进前的混合算法HHM进行了详细的对比实验和分析。实验表明,在准确性和多样性方面,本文方法HMW均优于改进前的HHM算法。