推荐系统在诸如电子商务,社交媒体渠道和内容提供商等应用程序中迅速普及,发展迅猛。尽管当前推荐系统中的推荐技术主要侧重于提高推荐准确率,然而考虑到用户的多种需求,满足多种评估准则的推荐算法更适合于现代推荐系统。当前已经有个性化推荐的任务被建模为多目标优化问题,将一些评估指标作为冲突的目标进行优化。考虑到应用场景中不同评估指标的重要程度不同,本文将个性化推荐的任务建模为约束多目标优化问题,提出了一个满足更多应用场景需求的约束多目标推荐框架,并研究了一种新的约束多目标优化算法,对推荐项目列表进行优化。本文中的主要研究工作和创新点有以下几点:首先,在第三章中,本文针对约束多目标优化算法进行了研究,提出了一种基于极小极大策略(CPM/MS)的约束分区方法来解决CMOP问题。这项研究工作的创新点有:(1)分析了不可行解的分布对于解选择的影响,并给出了不可行解的预处理方法;(2)设计了一种基于极小极大策略的约束预处理方法;(3)针对种群中的个体提出基于分区的约束处理。实验部分采用了CEC2009问题集,将CPM/MS算法的有效性在一组10个约束的数值优化问题上进行了广泛的评估。其结果表明,与一些最先进的多目标进化算法相比,CPM/MS算法能够在一些问题上获得更好的前沿。在第四章中,本文研究了推荐系统中存在的多种需要考虑的评估指标,这项研究工作的创新点有:(1)考虑到这些评估指标并不都是同等重要的,本文提出了基于约束多目标优化的推荐框架,将有要求但不需要最大化的指标作为约束来处理,从而使算法能够生成满足更多应用场景的推荐项目列表;(2)在生成候选项目集的过程中,传统取并集的方式会导致一些极端解在混合过程中产生较大影响。因此,本节我们引入了项目评分空间中支配解的概念,提出了最多支配项优先的候选项目集生成方法。实验部分采用了Movie Lens离线电影数据集,按照25%的比例划分测试数据集,从10个测试用户的评估结果可以看出,本章提出的算法能够为用户生成准确率、多样性、新颖度三种指标更优化的推荐项目列表,同时满足系统在覆盖率上的约束条件,使得推荐系统可以根据不同应用场景平衡多种评估指标。