推荐模型是一种有效的信息过滤机制,它根据用户需求从海量数据中找出有价值的内容,并以多种形式推荐给用户,它的出现满足了不同用户的个性化需求,给企业和社会带来巨大效益。但推荐系统目前处于不成熟阶段,仍然存在数据稀疏、低可解释性、未充分利用特征间的跨模态相关性等问题。为此,本文基于上述存在的问题展开研究。首先,在原始Movie Lens数据集基础上,通过爬取电影文本和海报信息构建新的多模态数据集Movie Lens-100k-MPT和Movie Lens-1M-MPT。其次,分别从可解释性矩阵、跨模态相关性分析、对抗学习及改进排序学习函数等角度展开研究。本文具体工作如下:（1）基于可解释性贝叶斯个性化排序的推荐模型（Explainable Bayesian Personalized Ranking,EBPR）:首先,根据Movie Lens数据集中用户与项目的交互数据构建交互表,计算项目间的余弦相似性,进而获取相似性较高的前N个项目,再根据交互矩阵生成可解释性矩阵,可解释性矩阵表示用户与项目邻域的交互概率。然后,基于最大似然估计,在贝叶斯个性化排序基础上引入可解释性矩阵,增加用户与项目邻域的交互,进而实现推荐。实验结果表明:可解释性矩阵可以为用户挖掘更丰富的项目信息,进而更准确地描述用户偏好,它在一定程度上缓解了新项目加入的冷启动问题。相对于BPR模型,EBPE模型的推荐性能有显著提升,EBPR模型具有一定的可解释性。（2）基于跨模态相关性分析的推荐模型（Cross-modal Correlation Analysis Adversarial BPR,CCABPR）:围绕多模态Movie Lens-100k-MPT和Movie Lens-1M-MPT数据集,基于BERT模型提取互补性文本特征;基于SENet模型提取异构图像特征;基于gradKCCA和CCCA相关性模型分别挖掘异构BERT文本特征间和SENet图像特征间的相关性;设计对抗学习策略,对训练过程进行优化,更好地完成推荐任务。实验结果表明:与NMF、VBPR等主流基线相比,CCABPR类模型取得显著优势,说明文本特征、图像特征、跨模态相关性和对抗学习在推荐中都发挥了重要作用。其中,CCCA模型优于gradKCCA模型,该模型挖掘出的跨模态相关性更具判别性。此外,模型在Movie Lens-1M-MPT数据集上获得更大的性能提升,它较好地缓解了数据稀疏问题,提升了推荐性能。（3）基于跨模态相关性分析与自适应排序学习的推荐模型（Cross-modal Correlation Analysis And Adaptive Pointwise-Pairwise Learning Adversarial BPR,AABPR）:在CCABPR模型基础上提出AABPR模型,即改进BPR模型中的成对排序损失函数,使模型根据项目对的交互关系自适应地选择逐点、成对或两者任意组合的排序函数,最终完成高质量推荐。实验结果表明:AABPR模型优于CCABPR、DMF、APR等主流基线,即自适应排序学习优于逐点型和成对型排序学习算法,它在推荐中扮演重要角色,推荐模型具备一定实用性。