当前主流的推荐算法均致力于提高推荐准确率而忽略了新颖性和多样性,推荐与用户历史偏好相似的项目。经调研,这些项目往往是推荐大众流行的或是用户接触过的项目。用户可能因为已知这些项目而对推荐结果感到不满。而且小众项目因为难以进入推荐列表会变得更加无人问津,这些项目的举办方也会自己的项目进入不了推荐列表而感到不满,这种现象称为“马太效应”。此外,研究新颖性和多样性推荐算法需要为一些基准算法计算准确率、新颖性、多样性、覆盖率等评价指标和实验对比,给学者增添了冗余工作量。为了解决这些问题,本文提出了一种基于新颖性因子的改进随机游走推荐算法,并把提出的算法上传到推荐算法评价系统中和近期基准推荐算法对比。本文的主要内容如下:(1)提出了新颖性因子的形式化定义。本文通过考虑候选集项目的活跃度和与用户参与过的项目之间的主题相似度提出了新颖性因子的概念,并在此概念的基础上给出了新颖性因子的计算公式。最终在豆瓣和MovieLens数据集上验证了新颖性因子可以在不影响推荐准确率的前提下提高原推荐算法的新颖性。(2)为了提高活动推荐的多样性性能表现,同时为了缓解活动推荐的冷启动问题带来的准确率下降的问题,本文提出了一种基于群组关系和活动主题的随机游走推荐算法GT-RW。该方法将活动群组(主办方)和活动主题上下文信息加入到能量扩散二部图中,并使用了改进的随机游走算法进行算法训练。最终在豆瓣和Meetup数据集上验证了所提算法的有效性。(3)为了缓解GT-RW中存在的马太效应,本文基于前两个研究点提出了一种基于新颖性因子的改进随机游走推荐算法NGT-RW,该算法对随机游走的最后一步进行了改进,使得扩散到用户维度的能量根据用户对热门项目的偏好程度进行扩散,适当降低那些喜欢参与热门活动的实体的能量扩散权重,增加小众活动被推荐的概率,并对候选集预测评分融入新颖性因子进行活动推荐。最终在Meetup数据集上验证了所提算法的有效性。(4)本文为了方便前三个研究点的研究,设计了一种推荐算法性能评价系统,该系统包括了实验准备、性能评价、实验记录检索、实验结果展示四个模块。利用线程池技术实现了多用户同时进行多个实验,并提供了多种评价指标计算服务,以及实验记录的检索和展示服务。最后对系统进行了功能以及性能测试。