在人类社会快速发展的今天,网络上的信息呈现爆发式增长,这已经成为人们快速有效获取其感兴趣信息的主要障碍。同时,越来越多的线上平台希望通过提高用户的忠诚度、为用户提供更好的服务来提升收益。推荐系统的出现既能够帮助解决日益严重的信息过载问题,又可以在用户没有明确目标的情况下,依据用户的历史记录为其提供个性化的推荐服务,因此逐渐成为大家广泛关注的领域。推荐系统的核心是推荐算法,在众多算法中,一类基于二分网络上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了改进和补充,以此来提升推荐精度。相关研究表明此类算法在单步推荐中倾向于推荐热门商品,虽然单步推荐精度很高,但是其长期表现很差。除此之外,改进基于扩散的推荐算法虽然可以提高精度,但该类算法存在最大推荐精度,如何提高最大推荐精度以获得更多的精度提升空间,是一类值得思考的问题。因此,本文基于扩散算法的长期推荐以及提高基于扩散算法的最大推荐精度进行研究。目前在基于扩散的推荐算法的研究中,更多研究关注的是推荐的短期性能,而在现实生活中,推荐是一个长期的过程,如在线网络会随着时间的推移而发展,并且用户在购物时往往具有求新的消费心理,因此推荐算法的长期表现也需要更多的关注。针对上述问题,本文首先在一个基于时间的演化模型上尝试将短期推荐中表现良好的经典算法应用到长期推荐中,观察这些经典算法的长期表现,结果表明长期推荐的多样性和准确性逐渐变差。为了改进算法的长期推荐的表现,本文接着提出了一个时间因子,来增强用户在短时间内产生的两个历史记录的相似性,减弱时间间隔较长的两个历史记录的相似性,并将这个时间因子融合到基于扩散的推荐算法中,应用到长期推荐上。实验结果表明,改进的算法在不损失推荐精度的前提下,每一步的推荐多样性都要优于经典算法的推荐多样性,尤其是在演化的后期,推荐多样性指标的数值提升了一半以上;观察长期推荐的多样性,发现在演化初期,多样性曲线会迅速下降,并且下降幅度远高于经典算法的多样性曲线,而到了演化后期,则逐渐趋于平稳。依据本文算法,推荐列表中的商品便会丰富起来,用户的选择性会更加多样化,推荐系统也会更加健康。另一方面,目前研究者们在改进和补充基于扩散的推荐算法时,大家更多的致力于提升推荐算法的精度,就会出现一个至关重要的问题,即该类推荐算法的精度会有一个最大值,那么这个最大推荐精度是否可以通过一些方法得到提升,来为算法精度的提升提供更多的空间。针对这一问题,本文首先介绍了量化最大推荐精度的方法,并从中发现了推荐算法的精度和多样性都依赖于资源扩散宽度;进而提出了一个添加虚拟边的方法,通过这条虚拟边可以让更多的商品获得资源,来增加推荐算法资源扩散的宽度,用户历史记录中未出现过的商品也可以直接排在推荐列表的前列,从而提高基于扩散的推荐算法的最大推荐精度;同时,实验结果也表明,本文的方法也提高了推荐精度,在基于目标用户上,提升了测试集中的商品出现在推荐列表中的排名,而对于目标商品,其出现在用户的推荐列表中的平均位置会提前。本文的方法不仅为提升算法精度获得了更多的提升空间,也可以将用户历史记录中未出现过的商品进行推荐,提升推荐精度和多样性。