信息科技的迅猛发展给人们带来了海量信息资源,与此同时导致了信息过载问题。推荐系统作为有效的解决方法被提出并引入电子商务、搜索引擎、视频以及社交媒体等行业。伴随着推荐系统为用户提供高度个性化的推荐服务,却导致用户逐渐陷入兴趣小世界网络。用户在其兴趣群体中对感兴趣物品的浏览以及点击行为会不断推动这些物品在随后被系统首先推荐,利润大的物品往往被挤到长尾物品中从而产生长尾效应,严重影响商家的利润。所以从商家和用户两方面考虑,建立面向多目标需求的推荐系统是目前迫切需要解决的重要问题。针对此问题,本文进行了如下研究:(1)针对推荐系统的效率问题,采用了线上、线下分离的计算策略,构建一种新的推荐系统架构。该架构首先对时间及空间需求较大的部分进行分离做线下计算。然后对需要及时响应的部分进行不间断的线上更新计算。最后给出线上及线下互反馈的数据接口,从而形成一个快速响应的互反馈动态推荐系统架构。(2)针对推荐系统多目标需求和目前众多推荐算法局限性,采用混合策略结合多目标优化理论,提出一种新的多目标推荐算法。该算法首先对多个推荐算法进行加权混合,构建以权重序列为变量,推荐评价指标F调和率、多样性和新颖度为目标函数的多目标优化模型,其次采用多目标优化算法进行优化求解,最后基于用户的购物偏好和Pareto解集向目标用户推荐物品。(3)对多目标推荐架构及算法进行了分离和混合实验对比及理论分析,不仅验证了建立的架构和算法的可行性,且研究了该多目标推荐架构及算法中子推荐算法的选择问题。引入了两种多目标优化算法的性能指标,均匀性及宽广性。实验结果显示:多目标推荐架构及算法是有效可行的;其子推荐算法的单个评价指标越优且个数越多,则非劣解集分布的均匀性越好;其子推荐算法的单个评价指标越优,则非劣解集的宽广性越好。