推荐系统对于在线商业系统是一种非常重要的工具,能够在用户没有明确目标的情况下帮助他们发现感兴趣的内容,提供个性化的推荐服务。推荐系统的核心是推荐算法,在众多算法中,基于扩散的推荐算法已经受到了很多关注。目前,已有大量的研究对此类算法进行讨论和扩充以进一步提升推荐精度。尽管改进该类算法在精度层面上能够被提升,但是无法证实提升的效果是否显著。换句话说,算法在精度层面上还存在多大的改进空间仍然不清楚。除此之外,相关研究表明倾向于推荐热门商品的算法虽然单步推荐精度很高,但是其长期表现很差,在设计推荐算法的时不但要考虑单步的表现还要考虑其长期表现。因此,本文基于扩散的推荐算法的预测精度上界以及提高长期推荐表现进行研究。针对基于扩散的推荐算法的预测精度上界问题,本文提出了一个理想的方法来量化该类算法可能成就的最大推荐精度。首先,本文比较了经典的基于扩散的算法与算法精度上界之间的差异,结果表明:在稠密的网络中,已有的基于扩散的推荐算法其精度仍然存在很大的潜在提升空间;然而在稀疏网络中,提升精度却非常困难,因为算法的精度非常接近该类算法的预测精度上界。其次,针对不同用户的算法预测精度上界展开分析,发现最高的预测精度上界所对应的用户并不是活跃用户,于是提出了扩散宽度和用户所购买的商品平均度指标来解释这种现象,两个指标的提出加深了对于扩散算法本质的理解。最后,本文也证实了文献中常采用的随机划分数据集的方式高估了该类算法的推荐精度,表明在实际的推荐过程中精准推荐是一个更艰巨的任务。针对提高基于扩散的推荐算法的长期表现问题,本文提出了一个演化模型来观测算法的长期推荐表现,基于向推荐列表中引入多样性的思路,设计了一个加强长期推荐表现的方法,即调整推荐列表。在不同的数据集上进行广泛分析,结果表明该方法不但能显著提高长期推荐精度而且也能使系统保持较高的商品多样性。此外,调整推荐列表的方法存在一个参数n,其含义表示引入商品的多样性。在不同推荐阶段,参数n存在着最优值以最大化长期推荐精度,表明在调整推荐列表过程中引入商品的多样性和保留用户的偏好信息之间存在着权衡。最后,本文也证实了该参数在不同推荐阶段保持一定的稳定性,揭示了该方法具有一定的鲁棒性。