随着数据时代的到来,人们面临的“信息过载”问题愈发严重,主动辅助人们获取信息的搜索引擎已经无法满足人们在不同背景、不同目的、不同时期下的个性化信息需求,而推荐系统作为个性化研究领域的分支,能够从海量的数据中寻找与用户相关的信息进行推荐,有效地“信息过载”问题带来的信息生产和信息获取不平衡的矛盾。目前,推荐系统的研究受到众多来自不同学科领域学者的关注,并取得了很大的进展,然而随着推荐场景的复杂化,推荐系统面临的挑战和问题依然需要不断地深入研究和优化解决。本文主要围绕如何提高Top-N推荐效果,解决推荐时效性问题和平衡推荐准确性与多样性效果等展开研究,研究的主要内容及结果如下:1.将推荐问题转化为排序问题,构建以排序学习为基础的推荐算法框架,利用排序学习方法的优势去解决多特征维度的推荐问题可以有效地组合多种推荐模型并自动优化模型权重参数,提高推荐效果。2.在基于排序学习的推荐算法框架之上,融合其他推荐算法和模型,针对特定场景形成混合推荐模型,提高推荐的精度。本文将排序学习模型与ListRank-MF模型进行融合,充分结合模型的各自优点,实验结果证明有效地提高了推荐精度。3.本文提出一种基于熵的多样性特征建模方法,利用熵有效地表达多样性特征,使多样性刻画的粒度细化到用户和物品的属性,实验结果表明该模型可以有效地平衡推荐的准确性和多样性。4.本文研究了排序学习模型下特征选择的算法,在提取隐含特征和评分特征后,进行特征选择,降低数据特征的维度,提高排序模型学习的效率。本文实验结果显示,进行特征选择后,经过少量的迭代后模型便开始收敛,并能一定程度提高推荐的精度。5.针对推荐系统的时效性问题,本文分析总结了推荐的时效性影响因子,并对基于排序学习的基础推荐框架进行扩展优化,提出最近反馈排序模型,以引入时效思想。实验结果表明,将用户最近的反馈信息与基础推荐结果进行二次排序后,可以有效地提高推荐的精度。此外,本文也探索了最近反馈排序模型与在线学习的结合应用,模拟实验结果显示模型在线实时迭代更新后,仍能具有较高的推荐精度。