随着Internet的迅猛发展,信息呈现了爆炸式的增长,这种现象必然会造成信息过载,使得人们更迫切的希望从海量信息中找到自己感兴趣的内容。信息检索在一定程度上解决了人们检索信息的需求,但是传统的信息检索技术没能考虑用户的个性化需求,使得返回所有用户的结果不仅都是相同的,而且返回给的结果内容过多,使得用户无法真正找到自己需要的信息。所以,如何根据每个用户自身特点,有效的帮助每个用户从海量信息中快速准确找到自己感兴趣的信息,已成为一个亟需解决的难题。基于个性化的推荐技术正是为了解决这个难题而被提出。个性化推荐算法的测评通常都是针对单一数据集,没能充分考虑算法的效果可能会受到不同数据集特征影响的情况,针对这一问题,将协同过滤算法中主要的5种:User-based、Item-based、Item average、Item user average和Slope One不同的算法应用到不同类型的数据集上,最后得出哪种算法应用到哪种类型的数据集得到效果会更好。个性化推荐算法通常只是自动化执行的过程,用户没能真正的参与到推荐的过程之中,使得算法得到的结果可能不是用户真正想要的,因此对于一个设计良好的个性化推荐系统来说,一个人机交互性的推荐过程是至关重要的。为此,针对力导向布局算法无法表示带权值关系图的问题,提出一种能够有效反映出节点之间的关系强弱的布局算法:带权值的力导向布局算法。最后,提出一种衡量带权值的关系图布局质量的评价标准,并通过试验证明了该带权值的力导向布局算法在布局质量和收敛时间上的优越性。最后本文提出了关键信息显示算法,该算法能从一个纷繁复杂的关系图中准确的找到其中隐藏的核心模式;接着,本文把k均值聚类算法应用到关系图中,帮助用户更好的找到自己属于的群体;同时,为用户提供一些人机交互功能,通过这些手段帮助用户更好的找到自己感兴趣的信息。最终,达到减少用户的认知负担,提高个性化推荐的视觉效果的目的。