全文总字数：1908字

1. 研究目的与意义及国内外研究现状

互联网技术的进步给人类的生活带来了的便利，通过互联网进行的消费活动，人们在享受互联网技术革命带来的便利的同时也面临着信息过载。于是，在这种情况下，推荐算法体现出了极大的优势。个性化推荐系统能准确把握用户个性化需求，并主动向用户推荐符合其偏好的商品，有效提升用户消费体验，增加优质长尾商品的销售，从而有效促进经济增长。

在众多推荐算法中，基于物质扩散的推荐算法由于适应性强，准确性、多样性和个性化方面推荐性能优异，得到了广泛关注。基于物质扩散的推荐算法是理论物理领域提供的有力的工具，模拟资源重分配的过程，已经获得较好的推荐性能。但是目前存在的大部分基于物质扩散推荐算法还普遍存在相似性估计偏差、流行性偏见以及虚假信息等问题，导致推荐效果不佳。因此，研究虚假信息对物质扩散的个性化推荐算法的影响，提升用户体验具有重要的理论研究意义。

国内外研究现状

目前国内外解决信息过载最有效的方法就是推荐系统，同时也是电子商务领域的研讨热点。第一个真正的推荐系统是由xerox parc研发的tapestry，但是由于其推荐过程需要人工参与，在用户量级增加的情况下效率降低，因此tapestry只适合小型系统。在此基础上，helocker等人根据用户相似性提出基于用户的协同过滤算法（ucf算法）；grouplens研究室利用协同过滤算法开发了movielens电影推荐系统。

2. 研究的基本内容

现如今许多主流的推荐系统都是基于用户相似度。

两个选择了大量相似物品的用户会被标记为高相似度用户，且购买相同物品的人在极大程度上会拥有共同的喜好，所以这种推荐算法目前十分可行。

然而，现实网络中存在大量的虚假和冗余的信息影响了推荐系统的准确度。

3. 实施方案、进度安排及预期效果

2019.1.1 — 2019.1.31：阅读大量参考文献对推荐系统目前的研究现状，研究主流推荐算法的基本思想和流程，并分析其优缺点。预期掌握主流推荐算法思想。

4. 参考文献

1.基于热传导和物质扩散的混合推荐研究_杨卫芳重庆大学硕士学位论文

2.基于物质扩散的个性化推荐算法研究_陈桂林 北京邮电大学大学硕士学位论文