近年来互联网日益蓬勃地发展,随着社会信息化不断地普及,全球数据量以惊人的速度逐年增长。信息过载导致人们难以在庞大的数据资源中寻到得到自己真正需要的信息。推荐系统的诞生为用户提供了个性化的信息服务内容,使得用户在自身需求不明确的前提下也能得到合理的推荐。二部图网络推荐算法是一种只考虑用户与物品间连接关系,根据物理动力学中能量传播理论衍生而来的推荐算法。其中最具代表性的是偏向推荐流行物品、具有较高推荐准确度的物质扩散算法和偏向小众推荐、具有较高多样性的热传导算法。但是物质扩散算法存在着多样性不高的问题,而热传导算法却有着准确度较低的缺陷。在分析了两种最具代表性的二部图网络推荐算法的优劣后,本文的研究重要是在提升物质扩散算法的推荐准确度的基础上,进一步地提高二部图网络推荐算法的多样性。主要的研究工作如下:1)借助相似度融合的思想,将Jaccard系数与单向扩散资源传递计算公式相结合,得到了JacNBI算法。该算法克服了物质扩散中资源传递矩阵的计算没有考虑目标物品度数大小导致准确度下降的问题。通过在公开数据集Movielens上进行实验,并且对比分析得出:JacNBI算法在提高了准确率和召回率的同时,通过以汉明距离为度量指标的多样性也有了良好的提升。2)本文针对了单向物质扩散算法在计算物品间的资源传递矩阵时,存在一定的因果关系导致实际结果的偏差和不合理性。在双向扩散计算模型中融入了JacNBI算法的资源传递矩阵计算公式,得到了新的双向扩散算法JacCBI。通过在公开数据集Movielens验证得到:JacCBI算法在JacNBI基础上改进后,不仅提高了准确率和召回率,并且在多样性方面也有了一定程度的提升。3)本文最后给出了改进后的二部图网络推荐算法在Spark平台上并行化的应用实现与电影推荐系统的原型,为实际的推荐系统开发工作提供了有价值参考。