Web2.0技术的蓬勃发展给互联网带来了复杂多样且数量庞大的在线信息。目前用户面临较为严重的信息过载问题,推荐系统已经发展为解决该问题最常用的手段,可以帮助用户在海量信息中获取自身感兴趣的有用信息。现有的推荐系统存在如下问题:1)推荐系统的效果依赖于系统中用户行为数据的丰富程度,在常见推荐算法中将用户没有交互行为的物品看作负样本存在偏差。2)目前推荐系统关注于物品推荐任务,忽视了为爆款物品发现潜在兴趣用户的营销任务,没有考虑推荐任务与营销任务之间的联系。本文针对上述推荐系统中存在的问题,提出了基于对偶学习的top-n推荐系统。本文的主要工作如下:1.提出一种基于对偶学习的top-n推荐系统,该系统有如下的优势:1)在该系统中同时考虑用户端和商家端的需求,用户需要系统提供良好的个性化体验,商家需要系统提供有效的营销体验。在系统中引入“多目标任务”,通过统一的算法同时实现上述需求。2)在推荐引擎中,通过对用户行为的建模,挖掘用户兴趣,为用户带来更好的个性化体验。本文从功能需求和非功能需求两个角度出发,对系统的功能模块以及数据库进行了详细的设计,提出了两种算法解决上述推荐系统中存在的问题。最后完成了系统的整体实现,并对具体功能进行了详细测试。2.针对需要在算法中同时考虑用户端和商家端需求的问题,提出了一种基于对偶学习的多目标排序算法,该算法旨在通过建立物品推荐和营销场景间的对偶关系来实现算法在无标签数据集上的训练,减少推荐问题对有标签数据集的依赖,同时可以将两种不同场景的推荐任务统一起来学习,建立多目标任务间的数据闭环。通过在多个数据集上实验,验证了算法可以在无标签数据集中提升多目标场景下的推荐效果。3.针对需要优化用户的个性化体验的需求,提出了一种基于卷积神经网络的用户行为序列提取算法,算法通过卷积神经网络将用户行为嵌入到固定维度的向量,实现对用户兴趣的刻画。进一步,提出了甚于Pairwise的深度因子分解机网络,通过在深度因子分解机模型中引入成对损失,提升模型在排序问题上的效果。通过在多个数据集上的实验,验证了模型的有效性。