推荐系统在互联网的数据海洋中主动搜寻用户需要的信息,推荐系统的核心是推荐模型,研究推荐模型具有重大的工程意义。矩阵分解推荐模型具有较高推荐精度和容易实现等优点,至今被广泛应用。但矩阵式分解推荐模型使用点积预测用户偏好,点积只是简单的线性乘积,且不满足三角形不等式,这些限制了矩阵分解推荐模型的推荐效果。有研究者提出基于度量学习的推荐模型,使用满足三角形不等式的距离度量代替矩阵分解中的点积度量,训练低维空间中用户与项目之间的度量距离。满足三角不等式的距离度量可以更充分地表示用户与项目之间的非线性交互关系,构建用户和项目的相似传递链,实现相似性传递,度量学习推荐模型具有可解释性强、易理解、训练费用低等优势。现有基于度量学习的推荐模型存在以下不足:1.不能充分抵消用户评分偏好对推荐结果造成的不利影响。用户评分偏好指用户的评分习惯,极端的评分偏好会极大降低推荐模型的准确度,已有度量学习推荐模型通常用偏置项表达用户的评分偏好,没有考虑项目差异性。2.无共评数据的用户之间的相似性常常被误判。共评数据指两个用户对相同项目的评分数据,对于没有共评数据的用户,度量学习推荐模型通过相似传递链衡量用户的相似关系,但相似传递链过长时,相似用户之间的距离过远,影响度量学习推荐模型对相似用户的判断。基于以上分析,本文从以下两个方面展开研究:（1）已有相关推荐模型不能充分抵消用户评分偏好对推荐结果造成的不利影响,对此,提出基于用户喜好度的度量学习推荐模型（MLUP）。使用项目标签数据区分项目差异性,同时考虑项目差异性和用户评分偏好,设计一种计算用户对项目喜好程度（以下称为喜好度）的方法,喜好度越高,表示用户对项目的喜好程度越强;使用用户喜好度替代用户评分数据,训练度量空间,缓解用户评分偏好对推荐模型的不利影响;计算度量空间中用户与未交互项目之间的距离,将距离转换为评分,完成评分预测推荐任务。在三个推荐常用的真实数据集上进行对比实验和参数分析实验,实验结果表明,MLUP推荐模型能有效降低用户评分偏好的不利影响,提供更准确的评分预测结果。（2）当用户间无共评数据时,已有的相关推荐模型对用户间的相似性容易产生误判。对此,提出结合用户标签和评分分布的度量学习推荐模型（MLTD）。设计一种不依赖共评数据的用户相似度计算方法,用项目标签数据计算用户标签相似性,用Wasserstein距离计算用户评分分布相似性,分别从两个不同的方面刻画用户相似关系,既考虑项目差异性,也利用用户的全部历史评分数据,结合这两种相似性计算没有共评数据的用户之间的相似度;根据用户相似度大小,确定度量空间中用户之间的距离远近关系,在度量空间中构建用户关系网络,避免用户相似传递链过长,降低用户相似度误判率。在三个推荐常用的真实数据集上进行对比实验和参数分析实验,实验结果表明,MLTD推荐模型能有效提高TopN推荐和评分预测两个推荐任务的精准率。