随着网络应用数量的剧增,网络资源的精确匹配变得越来越重要,而推荐系统中的资源匹配问题就是如何从用户的历史偏好记录中发现特定规律,进而为网络用户提供个性化服务。作为推荐系统中更常见的一类数据,隐式反馈数据比以评分形式存在的显式反馈数据更容易收集,因此很多面向显式反馈的传统协同过滤方法被扩展来对隐式反馈数据建模。由于这类数据只包含诸如交互与否这种单一类别的信息,由此产生的一系列方法也被称为单类协同过滤方法。从偏好假设的角度来看,单类协同过滤方法主要包括基于逐点偏好假设的单类协同过滤方法和基于成对偏好假设的单类协同过滤方法等。就预测准确率而言,基于逐点偏好假设的单类协同过滤算法往往被认为是要劣于基于成对偏好假设的单类协同过滤算法的。因此,本文从偏好假设的角度对现有的单类协同过滤算法进行了梳理和总结,指出传统的基于逐点偏好假设的协同推荐算法在偏好假设方面存在的固有缺陷,即基于单个用户或物品的逐点偏好假设倾向于以过于绝对的方式来对用户偏好建模。针对这一缺陷,本文首先提出利用基于物品集的偏好假设来解决这一缺陷,进而设计了一个新的基于物品集偏好假设的逐点单类协同过滤算法CoFi-points（i）;在此基础上,本文进一步从用户集的角度来改进传统的逐点偏好假设,并提出了一个新的基于用户集偏好假设的逐点单类协同过滤算法CoFi-points（u）。在验证了基于集合的逐点偏好假设在传统单类协同过滤算法中的有效性后,本文进一步探索基于集合的偏好是否能够提升采用逐点建模方式的深度学习推荐算法的性能,并设计了一个基于深度学习架构的集合偏好融入方案DeepSet,其中包括三种在不同特征层融入集合偏好假设的变种,分别是特征输入层DeepSet（fi）,特征输出层DeepSet（fo）以及预测层DeepSet（p）。经实验验证,基于集合的偏好假设可以较好地解决传统的基于逐点偏好假设的协同推荐算法中存在的局限性,并能够有效地提升深度推荐算法的性能。