摘要
随着互联网的快速发展，信息过载问题日益突出，个性化推荐系统成为解决该问题的有效途径。本文分析了基于内容、协同过滤、关联规则和混合推荐系统等推荐方法，并针对数据稀疏和冷启动问题提出改进方法。本文以Movielens数据集为载体，实现了基于二部分图网络推荐算法的改进。以往算法仅简单判断用户是否选择过项目，无法考虑用户喜欢程度，导致推荐准确性不足。本文通过引入权值系数和项目度与权值之和的比值，区分用户对不同评价分数项目的喜好程度，并提高项目推荐的多样性和流行性，从而提高推荐准确性。实验结果表明，改进算法在准确性、多样性和流行性等推荐性能上较原著算法有所提高。
第一章 绪论
本章介绍了选题背景和研究意义，指出信息过载问题以及个性化推荐系统作为解决该问题的有效方法。同时，本章总结了国内外推荐系统技术的研究现状，并指出了目前推荐系统所面临的问题和挑战，如数据稀疏性、冷启动和可扩展性问题。
第二章 个性化推荐系统
本章重点介绍了协同过滤推荐技术，包括基于用户的协同过滤、基于项目的协同过滤以及基于模型的协同过滤等推荐算法，并分析了算法的原理、优缺点以及存在的问题，如数据稀疏性和可扩展性问题。
第三章 二部分图网络推荐系统的研究
本章介绍了基于二部分图网络结构的推荐算法，并与协同过滤技术进行比较，指出其在算法复杂度和数据稀疏性方面的优越性。本章重点描述了基于二部分图网络的算法的具体实现步骤，包括用户-项目二部分图的构造、项目的资源配额、用户相似度的计算以及生成基于用户相似度的项目推荐列表。
第四章 二部分图网络结构的推荐算法的改进
本章在基于二部分图网络结构推荐系统的基础上，通过引入权值参数和项目度与权值之和的比值，改进推荐算法的准确性、多样性和流行性，并解决冷启动问题。实验结果表明，改进算法在准确性、多样性和流行性等推荐性能上较原著算法有所提高。
第五章 总结与展望
本章概述了整个论文的工作和取得的成绩，并进一步探讨了推荐算法的可扩展性、系统性能最优问题、推荐系统的实时响应速度问题以及基于网络结构的推荐算法与协同过滤推荐算法的混合推荐等研究方向。
