个性化推荐作为解决信息过载的一个有效手段已经成为工业界和学术界研究的热点,根据反馈信息的不同,可以划分为面向显式反馈和面向隐式反馈的推荐。其中,前者是个性化推荐的主流,而后者的普遍性使得此类推荐方法有更高的研究和应用价值。然而隐式反馈的若干缺陷给推荐带来了很大的挑战。论文首先分析了隐式反馈的特点,随后分类阐述了当前主流的面向隐式反馈的推荐方法的特点:包括单类协同过滤、基于学习排序的推荐以及其他结合辅助信息的推荐等,分析比较了各类方法的优缺点,并进一步分析了适用于隐式反馈推荐方法的多种评价指标。在此基础上,论文从推荐排序的角度出发,首先在近邻协同过滤和单类协同过滤上结合排序相似度进行了实验,与传统的用户协同过滤和加权矩阵分解的结果对比,验证了其能够一定程度上提升推荐效果,尤其是对于推荐列表的排序优化较为显著。之后文章深化排序的思想,提出了基于逐表排序优化的模型MMR——即直接最大化推荐结果列表的MAP指标。并借鉴逐对排序框架BPR的建模技巧,给出了指标函数MAP的平滑近似形式,形成了基于梯度的优化方法。根据底层模型的不同,MMR进而拓展出基于矩阵分解的MMR-MF算法和基于最近邻的MMR-KNN算法。随后,为了解决逐表学习算法的计算复杂度瓶颈,文中给出了根据当前模型排序的采样方法,并通过理论推导和实验结果证明了该方法的正确性与有效性。最后,文章通过在两个实际数据集上对比了MMR与BPR,以及上述基本算法在各个指标上的表现,得出了MMR方法综合性能优于其他方法的结论,验证了基于MAP排序学习相对于其他推荐方法的优越性,以及结合采样优化求解的可行性。