随着信息技术和互联网的飞速发展,推荐系统已经成为当今互联网应用中不可或缺的一部分。推荐系统可以根据用户的相关信息,来帮助用户在海量的数据中快速的找到可能需要的内容或喜欢的物品,甚至还能帮助用户发掘自己未知的喜好。在商业上,推荐系统不仅为各大公司带来丰厚的经济效益,也给用户带来了良好的体验。与此同时,作为大数据上一种典型的数据挖掘应用,推荐系统也有很高的学术研究价值。近些年来,对于推荐算法的研究方兴未艾,各种各样的技术也被应用于推荐领域。尽管如此,当前的推荐技术也不能做到面面俱到,仍然面临诸多挑战。在本论文中,就对于基于协同过滤、图嵌入以及进化计算等技术的推荐方法进行了深入研究,主要工作总结如下:1.提出了指数缩放策略,来改进基于共同邻居的相似度指标,从而提升推荐结果的多样性。首先在基于相似度的协同过滤推荐框架下,测试了不同的基于共同邻居的相似度指标的推荐效果。在公式对比和结果分析的基础上,提出了指数缩放策略。实验结果表明,通过指数缩放后,各相似度指标均能够在保持原有推荐结果精确性的同时,进一步提升推荐结果的多样性。最后,对于该策略有效的原因进行了分析,并给出两条合理的解释。2.提出了基于用户-商品二分图嵌入的推荐算法,来提升推荐结果的精确性。在该方法中,根据推荐问题的特性,重新定义了图嵌入方法的目标。在这些目标的引导下,改进了经典的图嵌入方法,提出了用户-商品二分图嵌入方法,来获取更准确的用户和商品的嵌入向量从而完成推荐。实验结果表明,无论是在不同场景还是不同规模的实际数据集中,所提出的方法能够在保证推荐多样性的情况下,极大程度的提升推荐结果的精确性。最后,本文详细分析了各参数的影响,从而为使用该方法提供了指导建议。3.提出了基于两阶段进化计算的推荐算法,来解决推荐中精确性-多样性平衡困境。在该算法中,设计了新的适应度函数来平衡推荐结果的精确性和多样性。根据推荐问题以及适应度函数的特性,重新定义了个体的表达形式和遗传算子。在实际数据集上的实验表明,设计的适应度函数和遗传算子是有效的。该两阶段推荐算法能够自动权衡已有算法产生的侧重精确性和侧重多样性的推荐结果,从而生成即精确又多样的推荐。4.已有的用于衡量推荐系统鲁棒性的攻击策略并不能够很好的建模实际系统中的刷单行为。因此,本文提出了雇佣攻击这一策略来模拟该现象,并在两种常用的推荐算法上进行了测试。仿真结果表明,虽然该策略的攻击代价更小,却会产生与现有攻击策略相似的影响,甚至在某些情况下会造成更严重的后果。为了检测该攻击,本文分析了攻击前后商品的数据统计特征的变化并提出了一种面向商品的无监督检测方法。实验结果表明,该方法在一定程度上可以直接发现数据异常的商品,帮助系统的维护人员确保系统的稳定。