本项目基于二部图网络结构，在MATLAB环境中完整实现了Network-based Inference (NBI) 推荐算法，该算法也被称为基于物理过程的质量扩散算法。项目旨在解决传统协同过滤算法在稀疏数据下的性能瓶颈，通过模拟资源在用户-商品二部网络上的流动过程来生成个性化推荐。具体功能涵盖：1. 数据预处理模块，负责读取标准数据集（如MovieLens）或自定义交易数据，构建用户与商品的邻接矩阵，并支持数据集的训练集与测试集划分（如Leave-One-Out或K折交叉验证）。2. 核心算法实现，通过矩阵运算模拟两步资源分配过程：第一步将初始资源从商品节点平均分配给关联的用户节点，第二步将用户节点获得的资源重新分配给关联的商品节点，从而计算目标用户对未交互商品的潜在兴趣得分（资源值）。3. 推荐生成与排序，根据最终的资源分布向量，过滤掉用户历史交互商品，对剩余商品进行降序排列，生成Top-N推荐列表。4. 性能评估模块，内置多种评价指标计算函数，包括但不限于排序分（Ranking Score）、准确率（Precision）、召回率（Recall）、海明距离（用于衡量推荐多样性）以及流行度分析（Novelty），用于全方位评估推荐系统的准确性与多样性。5. 可视化分析工具，提供脚本用于绘制二部图结构示意图、度分布曲线以及不同推荐长度N下的性能对比图表。
