互联网、电子商务、云计算、移动计算等技术的快速发展推动了大数据时代的到来,由此产生的信息过载问题严重地制约着人们对有效信息的获取。推荐系统的提出和应用,缓解了这一问题。事实上,广义的推荐系统已经被广泛运用于网购平台、新闻阅读、社区服务等场景,提升了用户体验,同时也为平台创造了价值。因此,推荐系统已经成为人工智能领域重要的应用之一。推荐算法的本质是基于对历史数据的学习,提供符合人们预期的物品。然而,目前的推荐算法对先验知识的应用并不充分,这在一定程度上制约了推荐性能的提升。因此,论文围绕设计推荐系统时有效结合先验知识的目标,分别从特征工程、模型结构设计、优化目标函数三个角度提出以直接或者间接的方式融合先验知识的推荐方法,从而为用户提供更准确的top-N推荐列表。论文的主要贡献如下:（1）提出了能够直接融合先验知识的推荐框架6)NND-nn,该框架结合了基于规则和基于K-近邻的数据驱动推荐方法。同时,该框架在提取特征时考虑了多个推荐子任务之间的联系,实现了面向多任务的协同特征提取。该框架中还包含了基于遗传算法的特征权重学习方法,通过为不同错误设置不同惩罚力度进一步提高了推荐结果的有效性。6)NND-nn框架成功应用于医疗方案推荐系统中。（2）从模型结构设计出发,通过考虑用户意图与用户偏好之间的差异,设计了能够模拟用户序列化决策过程的神经网络模型KAMem NN。该结构体现了用户具有层次化意图这一先验知识,使得模型能够学习更加精细化的用户画像;论文基于用户所处的分组动态变化这一先验知识,设计了能够动态评估用户分组以及各分组对其决策影响程度的神经网络模型LSUG。基于先验知识设计的模型架构KAMem NN和LSUG能够有效提高推荐的性能。（3）从推荐算法模型训练的目标函数的设计出发,借鉴不同算法在建模时各有其侧重点、可以进行结合的这一先验知识,提出了逐点预测类方法和排序学习类方法的集成学习框架CPL。该框架使得topN推荐系统关注物品排序的同时,也能兼顾到用户对物品的评分细节。同时,论文针对传统方法仅关注于单个物品排序的不足,提出了对物品集合进行协同排序的GTRM算法,在目标函数的设计中运用了相似物品具有相似排序的先验知识,使得模型在提升正样本位置的同时,也连带地提升了与之相关的潜在正样本的位置。CPL和GTRM使得训练得到的推荐算法模型更为合理。论文中提出的框架和模型在多个真实数据集上进行了实验评估,实验结果证明了所提出的考虑先验知识的策略有助于提高top-N推荐的效果。