随着数据量的爆炸式增长,“信息超载”问题日趋明显。用户难以在海量信息中快速获取所需信息,这对用户的日常生活造成极大不便。因此,简单的信息检索已经不能满足用户需求,推荐系统应运而生。推荐系统通过建立算法模型,精准把握用户的兴趣偏好,建立用户和物品信息间的联系,从而向用户推荐需要的相关信息及物品。尽管推荐算法有效提升了用户筛选信息的效率,并已广泛应用于电子商务中,但其还面临诸多问题。本文针对传统推荐算法中优化目标单一和长尾物品不受重视的问题展开研究,分别提出了针对新颖性和多样性推荐的矩阵分解算法和针对长尾物品推荐的偏斜矩阵分解算法,同时提出了一个基于DNMF算法的高维多目标双层推荐模型。本文的主要贡献如下:（1）基于协同过滤的传统推荐算法只专注于提高准确率,使得推荐列表中物品种类单一,无法吸引用户。针对此问题,提出了DNMF推荐算法,该算法包含额外设计的两个约束项:1)新颖性约束,使目标用户的隐因子向量接近那些对长尾物品已评分用户的平均隐因子向量,从而提高推荐新颖性;2)多样性约束,使每个物品的隐因子向量接近所有物品隐因子向量的均值,从而使推荐列表多样化。该推荐算法扩展了传统矩阵分解的损失函数,同时优化准确率、新颖性和多样性,相比于现有优化目标不一致的两阶段推荐算法而言,DNMF算法具有更全面的推荐效果和更卓越的性能。（2）针对长尾物品数量多、利润大,但推荐力度低、销量不理想的问题,提出了SMF算法,该算法通过两种策略来提升长尾物品的重要性。1)将已有评分的分布偏向于长尾物品;2)根据长尾物品流行度低的特点增加它们的权重。此外,我们还提出“可接受新颖性（Acceptable Novelty,后文简称为AN）”这一新评价指标,以评估可接受物品（用户喜欢的物品）的新颖性。综合实验表明,所提SMF算法可以在保证推荐准确率的前提下有效提高推荐新颖性。（3）针对复杂的推荐场景中,单一指标为导向的推荐算法效率低下的问题,提出了同时优化新颖性、多样性、准确率和召回率四个推荐目标的双层推荐模型MDRM。该模型由两个改进的算法组成:1)底层:DNMF算法用于预测未知物品评分;2)顶层:通过高维多目标优化算法为用户生成推荐列表。与现有双层推荐模型相比,所提模型可以有效地提高推荐的四个评价指标,具有更全面的推荐性能。