随着互联网飞速发展,用户日渐迷失在信息洪流和海量数据中。为了帮助用户更便利且精准地获取信息,推荐系统应运而生。近些年来,推荐系统受到了业界和学术界的高度关注,其主要利用用户对物品的历史行为数据以及用户和物品的内容信息来挖掘用户的潜在兴趣偏好,从而帮助用户找到可能感兴趣的内容或者物品。用户对物品的历史行为(即用户反馈)数据是推荐算法中广泛研究并使用的一类数据。实际推荐系统中,用户反馈数据常常表现为两种不同的类型:显式反馈(如评分等)和隐式反馈(如浏览历史、点击历史等)。现有的一些工作已经开始研究如何利用用户的显式反馈或者隐式反馈数据来设计推荐算法,给用户带来更精准更个性化的推荐体验。然而遗憾的是,这些研究工作没能全面且有效地整合用户显式反馈与隐式反馈信息,而只是部分地使用用户的显式反馈或隐式反馈数据。针对上述的局限性,本文将着力于研究推荐应用场景下的融合用户多反馈信息的排序学习算法,文中的用户多反馈指同时存在一种显式反馈与多种隐式反馈数据。本文首先研究并提出了基于用户多反馈的个性化排序推荐问题,并给出该问题的数学形式化定义。然后,我们相继研究并设计了整合显式反馈与单隐式反馈信息的排序学习模型SFPR以及整合全反馈信息(显式反馈与多种隐式反馈)的排序学习模型MFPR。鉴于排序学习模型对于训练数据要求的特殊性,本文还设计了一种新型的偏序样本生成算法IPPE,用来生成排序学习模型训练所需要的偏序对形式的训练数据。本文在两个实际的数据集上进行了大量实验,IPPE偏序样本生成算法以及SFPR和MFPR模型的有效性和优越性得到了充分验证。文章设计并开发了融合用户多反馈信息的原型推荐系统,使用原型系统进行推荐案例的分析,结果表明用户多反馈信息的融合极大化多信息互补的优势,使模型的推荐表现得到明显提升。