互联网的快速发展在给人们带来无限选择,同时也导致数据的爆炸。由于信息量的迅速增长,以至于顾客被众多选择所淹没。如何获取最需要的信息?推荐系统应运而生。众多电商与内容服务商为迎合用户的不同品味与需求提供各种商品,用户如何得到最喜欢的物品?这强调了推荐系统的重要性。由于推荐系统为用户提供满足偏好的个性化产品,目前已被广泛应用于电商网站。但传统的推荐系统有3点不足:(1)过多地关注推荐准确度使得推荐物品的相似性过高,导致推荐的物品集中在某一区域;(2)不利于用户的使用体验,用户得不到更加新颖的选择;(3)服务商的大量商品被埋没,无法产生更好的效益。本文针对以上问题并结合推荐系统中准确度、多样性和新颖性等要求,对推荐策略进行多目标优化研究。具体如下:(1)提出基于SVD和免疫多目标优化的推荐模型。该模型考虑推荐的准确性、推荐结果的多样性以及推荐物品新颖性三方面的要求,将传统推荐算法建模成多目标问题；然后利用免疫优化在解决多目标问题上的有效性,将推荐问题看作抗原,目标问题的候选解看作抗体,对建模后的多目标模型使用免疫算法进行求解;最后得到准确、多样且更加新颖的推荐列表。(2)提出基于免疫多目标的长尾群组推荐模型。根据推荐列表的准确度要求和物品的长尾分布现况,对组推荐进行多目标建模。该模型通过群组发现、群组偏好融合、免疫优化等操作,在一次的迭代过程中,产生不同准确度与流行度权重的多个组推荐结果。