目前推荐系统已经得到广泛的应用,对其进行研究和完善具有十分重要的价值。本文围绕物品内容表示、物品评分等级计算、用户兴趣变化和推荐结果多样性等问题展开研究,主要工作如下：(1)将图像特征用于物品推荐,解决了用文本描述物品外观存在的歧义性问题；同时针对功能属性和图像特征结合过程中存在的形式不统一问题,提出了基于“词包”的物品表示方法。该方法将物品的功能属性和图像特征统一以“词包”的形式结合起来,使物品内容得到完整表示。(2)针对协同过滤技术中存在的新物品问题,提出了GC-PLSA (General Content Probabilistic Latent Semantic Analysis)模型；该模型引入了物品群体和用户群体两组隐含变量,通过采用不对称学习方法来完成模型参数的估计；该模型不仅能够有效地解决新物品问题,而且能够提高评分等级预测的准确性。(3)针对用户对同一类物品的兴趣在购买前和购买后往往会发生变化的问题,提出了用户兴趣因子的概念,并将用户兴趣因子引入到评分等级中提高推荐结果的准确性。(4)针对推荐结果的总体多样性问题,提出了ITRM(Improved Traditional Rank Model)排序模型。该模型能够保证一定准确性的前提下提高推荐结果的总体多样性,使准确性和多样性达到一个合理的折中；且该模型具有参数化的特点,即可以通过调节模型参数来选择所需要的多样性和准确性。实验结果表明,本文所提出的方法能有效提高物品推荐系统的推荐品质。