现如今,用户如何有效的从海量信息中甄别出自己需要的信息已经成为一件亟待解决的问题。推荐系统的出现就是为了帮助人们快速的定位到自己感兴趣的信息。推荐系统所作用的在线系统可以自然的表示为用户-产品二部分图,即推荐网络。与大多数的推荐系统的研究致力于提高推荐算法的准确性与多样性不同,本文着重关注推荐网络的可预测性研究,旨在解决推荐算法的个性化选择问题,这具有较高的研究价值。本文通过从宏观与微观两种观测角度,分析推荐网络的拓扑结构与推荐网络可预测性之间的关系,提出影响推荐算法准确性的主要几个拓扑结构特征,进而预测不同推荐算法在该推荐网络上的准确性,并从中选择最适合的推荐算法应用于该推荐网络。本文的工作主要包含以下几个方面:(1)基于推荐网络的微观拓扑结构,我们对推荐网络的可预测性进行研究并提出了使用推荐网络用户节点拓扑结构特征对推荐算法准确性进行预测的算法。我们首先对用户节点的拓扑结构特征与推荐算法准确性间的关系进行了探究,包括用户选择产品的平均度、用户的三步扩散覆盖率等。我们发现用户选择产品的平均度、用户的三步扩散覆盖率以及四边形结构数目与推荐算法准确性整体呈现正相关趋势,而其他微观拓扑结构特征则呈现负相关趋势。最后,我们使用这些微观结构特征预测给定推荐算法在该推荐网络上为用户进行推荐的推荐结果的准确性。(2)基于推荐网络的宏观拓扑结构,对推荐网络的可预测性进行研究并提出了使用部分推荐网络宏观拓扑结构预测推荐算法在推荐网络上准确性表现的算法。首先,我们对十五种推荐网络宏观拓扑结构特征与推荐算法准确性的相关性进行分析;据此,我们进一步的提出了通过使用推荐网络宏观拓扑结构特征来对推荐算法准确性进行预测。由预测结果可以看出:对AUC指标来而言,用户四边形参数、产品四边形参数、推荐网络产品的平均度、推荐网络度的异质性以及推荐网络三步扩散覆盖率这六个结构特征构成的特征组合预测结果最佳且预测出的AUC值与推荐算法其本身真实的AUC值的相关性都高达0.97以上,而对于F1指标而言,我们得到的预测值与真实值的相关性都在0.8以上。我们不但给出了影响推荐算法准确性的主要几个宏观拓扑结构特征,我们还验证了这些结构特征组合是否稳定。