推荐系统应用广泛,无论是购物网站还是音乐软件,都致力于部署推荐系统来为用户提供高质量的个性化服务。在构成推荐系统的所有组件中,推荐算法的作用不容小觑,因为它决定了一个推荐系统是否能够针对不同用户精准地推荐其喜欢的物品。协同过滤方法得益于它的高效性和精确性,从众多推荐算法中脱颖而出,成为工业界应用最广、学术界研究最热的算法之一。根据推荐问题的不同,协同过滤算法可大致分为两类,一类是面向评分预测的协同过滤算法,另一类是面向物品排序的协同过滤算法。先前大量的研究工作都侧重于面向评分预测的协同过滤算法,在一定程度上忽略了面向物品排序的协同过滤算法。实际上,由于后者最后的输出为物品列表,与实际场景所需的结果更加一致,所以其与真实应用中的推荐问题更为匹配。另一方面,大部分面向物品排序的协同过滤算法都倾向于利用信息量较少的隐式反馈数据,这在很大程度上限制了推荐性能的提升。因此,本文聚焦于面向物品排序的协同过滤算法,旨在利用富含信息量的显式反馈数据来解决物品排序问题,也称为“协同排序”问题。为此,我们设计了两种创新的解决方案。首先,我们受到已有工作—迁移排序（transfer to rank,ToR）的启发,从重现用户购物流程的目标出发,设计了一个通用的迁移学习框架—粗精迁移排序（coarse-to-fine transfer to rank,CoFiToR）。该框架包含三个阶段,以递进的方式回答下列三个问题:1)用户是否会点击物品;2)用户对物品的评分如何;3)用户是否会购买物品。在每个阶段,我们选用一个合适的推荐算法解决其对应的问题,最终形成一个高效的三阶段解决方案。在两个大规模公开数据集上的实验结果表明,CoFiToR框架比面向该问题的前沿方法表现更好。其次,我们结合上下文知识,提出了一个上下文感知的协同排序模型（context-aware collaborative ranking,CCR）,它利用对数几率损失函数衡量预测排序的误差,同时在目标函数中结合了由显式反馈推导出的内在偏好上下文,因而能够获得更高的精确度。针对CCR,我们还设计了一种改进的采样策略,能够有效区分模型训练所需的正负样本,模型也得以有效地学习用户的偏好。在四个真实数据集上的实验结果表明,CCR模型能够达到比领域内前沿算法更好的推荐效果。