推荐系统可以主动为用户推送信息,帮助用户迅速锁定偏好物品或服务,提升用户体验,同时为服务提供方定位目标人群,达到精准营销的效果,是对服务接受者和提供者来说,实现双赢的有效工具。目前,大多数推荐算法是针对显式反馈数据而设计的,但显示反馈数据需要用户主动参与,从而数量和种类较少,缺乏普适性。而隐式反馈数据代表用户行为记录,相比而言更为常见且更具代表性,因此基于隐式反馈的推荐算法的研究获得了越来越广泛的关注。其次,隐式反馈数据种类繁多,相互影响,如何合理地融合多维隐式反馈并进行准确高效的推荐是推荐系统研究领域亟待解决的问题。因此,基于多维隐式反馈数据的推荐算法具有重要的研究意义。本文提出了多维隐式反馈数据下的推荐模型假设,并讨论了直接隐式反馈和间接隐式反馈的融合方法,建立了基于物品相似度的基础模型--HCoM算法,同时结合数据的时间以及频率特性分别从时间漂移以及新颖度两个方面进行了拓展研究,主要的研究工作包括:第一,针对多维隐式反馈数据提出了融合直接隐式反馈和间接隐式反馈的推荐算法,该模型考虑物品相似度对推荐结果的影响并利用最优化方法从数据中直接学习出模型参数。第二,分析了结构化风险函数的各个模块对推荐质量的影响。对比了基于打分的损失函数和基于排序的损失函数的不同,进一步分析了不同正则化约束的作用域和优缺点,提出了自定义正则化项—HC来约束直接隐式反馈和间接隐式反馈之间的关系。第三,考虑用户偏好产生的时间漂移,利用时间衰减函数调整隐式反馈数据,同时研究推荐结果新颖度的问题,根据用户行为的频次对原始模型进行调整。第四,提出了推荐系统的实验方案以及具体实现并在真实数据集上与目前主流的baseline算法进行了对比。本文首先介绍了论文的研究背景,其次对推荐系统领域相关文献进行了综述,同时对基于隐式反馈数据的推荐系统文献进行了梳理并分析了现实情况的问题和现有文献的不足。然后提出了一种融合直接隐式反馈和间接隐式反馈的推荐算法—HCoM算法,同时从时间漂移以及新颖度两个方面对原始模型进行了拓展。接着利用天猫销售数据以及IJCAI大赛数据对该算法进行了实验,并与目前主流的baseline算法进行了对比,验证了论文假设以及推荐效果。最后实现了电子商务平台的原型系统,并且为该平台设计了推荐引擎,以体现个性化推荐算法与实际业务场景结合的应用价值。