推荐系统不仅是多年来学术界的研究热点，而且已经成为当今网络应用中必不可缺的功能之一。推荐系统要解决的基本问题是如何在恰当的时候把恰当的信息用恰当的方法提供给恰当的人。围绕这个基本问题，不同的研究工作和实用系统都努力从多个角度提高推荐结果的满意度。然而，推荐系统中的恶意反馈问题和多属性问题一直影响着推荐系统给出更加满意的推荐结果。　　 恶意反馈问题指的是攻击者通过提供恶意反馈的方式来操纵系统推荐的内容。例如，在电子商务市场中，一个卖家串通一些用户给竞争对手差评同时给自己好评，从而实现打击对方抬高自己的目的。针对这一类问题，许多研究工作提出了引入信誉机制并限制攻击者资源的解决方案。但我们发现仅仅通过这两类方案是无法应对越来越成熟且复杂的攻击策略。具体来说，本文针对推荐系统中的恶意反馈问题做出了以下贡献：　　 (1)深入研究了恶意反馈问题，提出了一套理论模型对攻击行为进行建模，并在此基础上发现了一种新的更强有力的攻击策略。　　 (2)深入分析了新的攻击策略所暴露的系统的漏洞，进而设计了两套有效的防御机制来弥补这些漏洞。　　 多属性问题指的是推荐系统中要推荐给用户的物品往往具有多个属性，而用户在选择自己需要的物品时，会折中考虑这些属性。例如，在电子商务市场中，用户选择卖家的时候会综合考虑每个卖家的价格、信誉、邮递时间等属性。因此，推荐系统也要考虑属性折中的相关问题来给出更加满意的推荐结果。针对这类问题的传统方法是引入效用函数。它首先给不同的属性赋予不同的权重，然后通过加权求和的方法得到每个物品的综合得分，并依此进行推荐。然而通过深入的分析，我们发现这套方法在推荐用户最喜爱的一个物品时，会引入两个固有的缺陷：无法刻画用户的最爱和无法刻画物品间的竞争关系。于是在用户选择自己最喜爱的一个多属性物品的问题上，我们做出了如下工作：　　 (1)提出了角模型的概念对属性折中进行建模。　　 (2)提出了统治域的概念对物品竞争进行建模。　　 (3)提出了密度函数的概念对个性化喜好进行建模。　　 在这三个模块的基础上，我们提出了MAPS架构来计算一个用户选择一个多属性物品为其最爱的概率，并依此进行推荐。　　 MAPS架构解决的是一个用户选择一个最喜爱的物品的问题。与之相对应的是一个用户同时选择多个最喜爱的物品的问题。这类问题对应了电子商务系统中的批量购买行为。但是我们发现当前针对“一选一”来设计的推荐系统无法有效的满足这类“一选多”的问题。因此，我们提出了Rainbow架构，它通过引入多层Skyline的概念，逐层找到符合用户批量选择需求的物品集合。这套架构的提出进一步扩展了推荐系统的应用领域。　　 最后，我们与酷我公司合作，在实际系统中构建了通用推荐服务平台(RAAS：Recommendation As A Service)，为上层不同的应用提供推荐服务。该平台需要具有安全性、准确性、简约性、多样性、高效性、自动性、通用性和扩展性的特点。我们已经实现并部署了第一版系统，在三十万用户四个月使用的基础上，我们证实了该系统的上述特点。我们将进一步在2011年5月10日通过酷我音乐盒和酷我电台为每天上千万的在线用户提供音乐和广告推荐服务。