随着电子商务和流媒体平台的兴起,网络中存储着越来越多的数据和服务,信息过载问题也随之出现,推荐系统是解决此类问题的有效技术之一。个性化推荐不仅能帮助用户快速地过滤信息,还能为商家带来巨大利润,因此推荐系统受到了广泛的研究与应用。协同过滤是推荐系统中使用最为广泛的推荐算法,此类算法主要使用用户与物品的交互数据来挖掘用户的偏好从而进行推荐,交互数据可分为显式反馈和隐式反馈,现有的协同过滤算法普遍采用单一的反馈进行推荐,而两种反馈之间存在着互补关系,融合显式反馈和隐式反馈进行更加有效地推荐一直是一个研究问题,该问题主要面临两大挑战,即如何解决两种反馈的异质性以及如何利用两种反馈的优势。本文对此类问题进行了研究,主要研究工作如下:1.提出了一种融合显隐式反馈的协同过滤推荐方法。该方法直接对评分矩阵进行嵌入获取用户和物品的全局偏好向量,保留了显式反馈反映用户偏好程度的能力。然后将用户（或物品）的全局偏好向量和隐式反馈中提取的物品（或用户）潜在向量进行融合。显式反馈相对于隐式反馈能更加准确地反映用户的偏好以及偏好程度,因此,该方法赋予显式反馈相较于隐式反馈更大的权重,使模型对显式反馈中的特征更加敏感,提高模型捕获用户偏好的能力,从而提高推荐的效果。2.提出一种基于多任务学习的显隐式协同过滤推荐方法。该方法使用两个辅助任务分别处理显式反馈和隐式反馈,使用主任务融合显式反馈和隐式反馈。由于多任务学习模型的所有任务共享底层参数,底层参数将会由所有任务联合更新,这使得显式反馈和隐式反馈知识共享,从而提高推荐的效果。3.本文提出的推荐算法都在公开的数据集上进行了广泛的实验,验证了算法的有效性。并且使用本文提出的推荐算法作为推荐引擎设计并实现了一个电影推荐系统,通过对个性化推荐的结果进行展示和分析,证明了算法的实用性。