随着互联网技术包括云计算、大数据等的兴起以及快速发展,互联网上数据和信息出现了爆涨趋势。互联网信息数据中潜藏着难以估量的价值,为现今时代的人们提供了全方位的便利,但是也造成严重的“信息过载”,此时推荐系统应运而生,并得到了广泛应用,同时还能够帮助用户发现其感兴趣的新项目。基于准确性的推荐是应用最广泛的推荐方法,但是仅仅依赖准确性可能会造成推荐结果的过度拟合,从而降低用户的满意度。由此,推荐方法的另一个评价指标--推荐多样性,越来越受到研究人员和网络平台的重视,并发挥着重要的作用。推荐多样性的提高可以让用户获得更好的个性化体验,使得用户对网站平台忠诚度得以提高,帮助用户发现更多感兴趣的长尾商品,提高商家的总体利润。但是基于多样性的推荐应用越来越广泛的同时也存在忽视时间因素的影响、用户相似性计算不全面、用户聚类局部最优等问题。为了相应的解决以上所提问题,本文提出一种基于多样性的个性化推荐方法,使得出的推荐结果不仅可以确保准确性不下降,而且可以使推荐总体多样性得以提高。本文主要创新性研究如下:（1）针对用户对项目的兴趣随着时间发生迁移的问题,引入改进的logistic权重函数作为时间因子用来修正用户评分,使得所提方法能尽可能提高近期用户-项目评分权重,减少远期用户-项目评分权重,准确反映用户当前的兴趣偏好特征,提高推荐结果的准确性。（2）针对协同过滤推荐中用户相似性计算不全面的问题,根据用户对项目的偏好程度计算得出用户-类别偏好矩阵,合理融合用户评分相似度以及用户类别相似度,从而能够得到用户综合相似度,克服了传统协同过滤推荐中仅注重用户评分,忽略用户兴趣偏好的不足,提高了用户相似性计算的全面性和准确性。（3）针对推荐过程中采用谱聚类算法出现聚类结果容易陷入局部最优的问题,选用自适应局部尺度参数缓解尺度参数敏感,并且引入用户间的权重因子来抑制离群点的影响优化谱聚类,提高用户聚类的准确性,增加跨类选择最近邻的区分度,实现提升目标用户近邻的多样性从而提升推荐结果多样性的目标。在Movie Lens数据集上进行实验,确定了基于综合相似性、基于谱聚类优化等算法中的最优参数,然后将本文提出的方法与其他四种推荐算法在准确性与多样性两个方面对比分析,实验结果说明该方法能实现在保证准确性的基础上提升推荐的总体多样性。