信息技术的高速发展极大地丰富了网络资源,为人们获取信息带来了方便。但是由于网络资源的逐渐增多,面对繁杂的信息,用户要找到所需的信息也变得更加困难,信息过载的问题便随之而产生。个性化推荐技术正是针对该问题而被提出的,它的出现为用户带来了更加快捷有效的信息获取途径。个性化推荐技术根据用户的兴趣偏好及相关行为,推荐给用户可能需要的信息。现存的推荐技术大多致力于改进推荐系统的预测准确度。然而推荐的质量需要从多个维度进行评估,单纯依赖准确度可能无法为每个用户找到最相关的物品。最近,推荐质量的另一个重要方面——推荐的多样性,越来越受到人们的重视。推荐的多样化程度越高,使得长尾商品销量增长的可能性加大,不仅能为用户带来更好的个性化体验,而且对服务提供者也能带来丰富的商业利益。然而,在保持准确度的同时提高推荐的多样性并不是一个容易的任务,多数研究表明推荐多样性和准确度之间存在一个权衡,推荐多样性的提高会导致准确度的降低。本文针对该问题进行了研究,介绍了若干种可提高多样性的推荐算法,侧重分析了重排名方法(Re-Ranking Approach)的优缺点,在其基础上提出了改进的算法,此外,还提出了一种基于推荐期望的新的top-N推荐方法。论文所作的主要工作包括：1.对现有的若干种可提高多样性的推荐算法进行了介绍。侧重介绍了重排名方法,分析了该方法存在的优点和缺陷。2针对重排名方法的评分阈值缺少对个体用户特征信息进行考虑的问题,提出了一种改进的重排名算法。在其基础上加入了描述用户评分偏好的特征量,改进了原算法的性能,使其更好地符合以用户为中心的推荐目标。3.为了从整体上对推荐的多样性进行控制,本文还提出了一种基于物品推荐期望的推荐方法。该方法对物品的推荐期望进行了建模,以物品的推荐期望作为物品推荐次数的代理。在向用户进行top-N推荐的过程中,通过动态地调整物品的推荐期望,来间接的控制物品的推荐次数,从而达到提高推荐多样性的目的。