随着数据采集技术，存储技术的迅速发展以及互联网技术在全球范围内的普及，各种类型的海量数据层出不穷。面对这些海量的数据，如何找出隐藏在其中的，对人们有用的信息，已成为当今信息领域一个亟待解决的问题。推荐系统采用知识发现技术，提供个性化建议，是用来筛选出过载信息的最有效的方法之一。到目前为止，推荐系统已经成功地应用于电子商务，图书推荐，电影推荐和视频推荐等领域。尽管近年来推荐系统在理论和实际应用中都得到了快速的发展，但同时也存在着一些的问题。随着用户数量的激增，系统规模的不断扩大，推荐系统在冷启动、推荐质量及实时性等方面存在难以克服的问题。针对这些问题，本文对推荐系统中的核心问题之——推荐算法，进行了有益的探索和研究，主要研究内容如下：(1)针对传统推荐系统中三元组信息丢失导致的推荐质量较差问题，本文直接采用两个三部图加权，使得网络有了二次扩散，提出了一种新的基于三部图策略的推荐算法。(2)提出了一种基于N部图的推荐算法，并给出了理论推导和论证。(3)针对传统推荐系统实时性差问题，改进了K-means算法，并将其应用于客户细分。(4)为了解决冷启动问题，将改进的K-means算法应用于新用户标签的归类，与基于三部图的推荐算法相结合，提出了一种将离线聚类与在线推荐相结合的方法。实验验证了本文所提方法的有效性。