随着互联网的快速发展,“信息过载”成为用户使用互联网获取信息时所面临的一个重要问题。虽然借助于信息检索技术,可以从一定程度上得到缓解,在面对海量的信息时,用户仍然还会迷失方向,甚至不知道自己真正需要的是什么。由此,个性化推荐技术应运而生,它能够有效地处理这类问题。本文回顾了推荐系统的相关算法,并重点研究随机游走方法在个性化推荐中的应用。本文介绍几种经典的、已经在商业领域得到广泛应用的邻域算法。由于数据的稀疏性是协同过滤系统存在的一个重要问题,为此本文分析了稀疏性的成因、表现,稀疏性对推荐精度的影响,以及相关的解决办法,并着重介绍一种基于随机游走的算法SimRank及其改进形式SimRank++。 SimRank++算法基于相似性具有传递性的假设,建立对象之间的关联关系,实验分析发现SimRank++直接应用于推荐系统中的效果差强人意,本文对其做进一步改进。为了能够实现个性化推荐,我们将主题敏感的PageRank算法应用于用户一物品二分图,将每个用户看作一个主题,产生一种新的图模型算法：个性化的PageRank (Personalized PageRank, PPageRank).本文还给出PPageRank算法的收敛性证明,并建立邻域算法同图模型算法关系,最后将SimRank++改进算法的加权思想融入到PPageRank中并提出一种加权形式的PPageRank算法：WPPageRank。本文使用基于用户的协同过滤推荐算法(UserCF)与基于物品的协同过滤算法(ItemCF)作为基准算法,在标准的MovieLens数据集上进行对比试验,结果表明本文提出的WPPageRank算法和改进的SimRank++算法的推荐效果最佳。