大数据时代和智能时代的快速发展促使推荐系统逐渐成为商业应用的“标准配置”,因其在提高商业利润和满足用户的个性化需求两方面的作用,推荐系统收获了来自研究界和工业界越来越多的关注。从不同的应用场景及其相关数据来划分,推荐系统包含若干个重要问题,如传统的协同过滤问题、单类协同过滤问题、协同排序问题和异构单类协同过滤问题等。另一方面,受限玻尔兹曼机模型自提出以来,因其结构的灵活性,加上相关学习算法的成熟,已经在诸多领域的诸多任务中发挥作用,但其在推荐系统领域的应用和研究只限于有限的若干个问题,在其它问题上尚不充分。本文以受限玻尔兹曼机在推荐领域中的应用为核心,研究了推荐系统的若干重要问题:(1)基于受限玻尔兹曼机的混合单类协同过滤。针对单类协同过滤问题,探究受限玻尔兹曼机模型与其它经典模型的互补性,具体而言,我们设计、使用混合的方法来进一步提升受限玻尔兹曼机模型的推荐效果;(2)基于受限玻尔兹曼机的协同排序推荐算法研究。针对协同排序问题,探究在此问题上受限玻尔兹曼机模型的有效利用。以充分训练数据的蕴含的信息为突破口,提出几种看待数据的思路,设计相应的基于条件受限玻尔兹曼机模型的推荐算法;(3)基于条件受限玻尔兹曼机的异构单类协同过滤算法研究。针对异构单类协同过滤问题,基于条件受限玻尔兹曼机此单一模型提出建模算法,既关注推荐效果,也重点考虑算法的应用效率。在针对以上各问题的研究中,我们开展了大量实验来验证所使用或提出的算法的有效性,在此实证基础上,得出诸多有益结论。