为解决企业推荐资源有限的情况下,物尽其用、合理地分配推荐资源问题,本文对资源受限约束下的多对多推荐进行了研究,在满足客户需求的条件下做推荐,使企业总体收益尽可能的最大化。推荐是企业的一种重要营销方式,根据推荐方式的不同,推荐可分为资源不受限的推荐和资源受限的推荐,而实际上,资源受限的推荐往往也是多对多的推荐,一个客户可以接受多个满足自身的项目或产品,一个项目可以推荐给多个适合的客户,但是每个项目的利润率不同,每个客户对每个项目的购买力和匹配度也不相同,如何合理地分配有限推荐资源,并使企业获得尽可能最大化的收益,复杂而重要。在问题预设和分析中,本文以某金融公司营销部门对其VIP客户进行理财产品推荐的现实背景作为切入点,对该类问题及相关场景进行了详细地分析和研究,主要内容包括:1)使用基于角色协同的工程理论方法及其E-CARGO模型框架,对资源受限多对多推荐问题进行形式化建模,抽象问题的主体要素,并建立相应的量化指标;2)首先根据客户-产品购买力、产品利润率、客户-产品匹配度等参数,为每种产品学习两条最优的客户分级分界线,用于不同匹配度客户间的层级划分;然后依据客户所在层级的不同,选取合适的方式对客户-产品贡献度和客户-产品匹配度指标进行拟合,形成客户-产品的最终资格值指标;3)针对上述模型和客户层级划分,提出并实现两种资源受限多对多推荐问题的优化求解算法,其中,一个是结合了贪婪策略和群组角色协同多对多指派的ap-GMRA算法,另一个则是结合了最优化策略和群组角色协同多对多指派的op-GMRA算法。仿真实验结果分析表明:上述模型和算法都是有效而实用。在收益优化性能上,对于各种不同推荐规模的资源受限多对多推荐问题,上述两种算法的求解结果对应的企业实际总收益皆能达到理想总体收益的83%-84%左右。其中,理想总体收益是指在已知客户是否接受推荐的前提下作出的推荐方案所对应的企业总体收益。同时,上述两种算法对于常规推荐规模的资源受限多对多推荐任务都是较为快速高效的。但是通过实验结果比较可知,上述两种算法在收益优化和运行速度上是各有千秋的,在运行速度上ap-GMRA算法优于op-GMRA算法,在收益优化上op-GMRA算法优于ap-GMRA算法,因此,根据上述两种算法自身的优缺点,本文为不同的实际应用场景提供了不同的选取策略和建议。