作为大数据时代最有效的信息过滤手段之一,推荐系统得到了学术界和产业界的深入研究和广泛应用。一个完整的推荐系统一般存在3方主要的参与者:用户、物品供应商和推荐系统运营商。传统的面向用户的推荐算法通常难以避免物品流行性偏差问题,这极大损害了推荐系统另一方主要参与者—物品供应商的物品推荐公平性需求。本文同时考虑物品供应商和用户的不同需求,开展面向推荐公平性和准确性的推荐算法研究,主要研究内容有以下三部分:（1）提出物品容量限制方案。在常见推荐算法产生的推荐结果中,流行物品被推荐的比例远大于其在历史记录中被交互的比例,这种流行性偏差经过多轮推荐就会产生“富者愈富”的马太效应。因此,提出物品容量限制方案,使得每个物品允许被推荐的次数与该物品的流行度成正比,从而将部分曝光机会从流行物品转移给小众物品,提升物品推荐公平性。（2）提出物品容量限制场景下基于贪心策略的用户-物品匹配算法。由于物品容量有限,因此传统Top N推荐则不再适用。文中提出了基于RSP贪心策略的启发式算法用于解决这一约束条件（物品容量限制）。在单一的RSP算法中,推荐准确率有较大损失,因而提出了两种后处理方法,Post-Normalized和Post-Degree。通过分析以及实验,Post-Degree与RSP算法相结合使其在解决小度用户推荐准确率上有更好的表现,总体推荐准确率得到保证,并且在物品供应商推荐公平性即覆盖公平性指标上也得到了非常好的表现。（3）提出求解物品容量限制场景下基于最小费用最大流（MCMF）的推荐模型。由于单一的RSP算法本身所得到的推荐结果往往不是最优组合推荐,因此引入MCMF模型,将其用于物品容量限制下的推荐,以求解最优组合推荐结果。实验表明,通过MCMF模型进行求解的推荐结果在推荐准确率上也得到了保证,并且在物品供应商推荐公平性即覆盖公平性指标上也得到了非常好的结果。另外,相较于P3类推荐算法,MCMF方法没有引入任何参数,在推荐准确率上与P3类算法有着相当的效果,在覆盖公平性上又有着绝对的优势。