在最近的工作中[T. Zhou,Z.Kuscsik,J.-G. Liu M. Medo,J。Wakeling,Y.-C。 张保Natl。 学院科学[107(2010)4511],提出了一种在准确性和多样性上都具有高性能的个性化推荐算法。 该方法基于两种分别称为概率扩展和热传导的算法的混合,这两种算法分别倾向于推荐流行和不受欢迎的产品。 用可调参数,这两个算法在系统级别之间的最佳平衡是获得。 在本文中,我们将这种混合方法应用于各个级别,即每个用户有他/她自己的个性化混合参数要调整。 有趣的是,我们确定用户是个性化混合参数和推荐性能差异很大如果为每个用户分配了最佳个性化设置,则可以显着改善混合参数。 此外,我们发现用户的个性化参数是负面的与使用者的程度相关,但与使用者的平均程度成正相关每个用户收集的项目。 基于这些理解,我们提出了一种分配策略具有合适个性化参数的用户,从而进一步改善了原始的混合方法。 最后,我们的工作强调了考虑用户在推荐中的异质性。