随着互联网技术的高速发展,网络中的数据量呈指数式增长。在信息过载的情况下,用户难以及时、准确地发现感兴趣的商品。推荐系统通过分析用户与物品的相关特征,从而为用户过滤大量无关信息,推荐符合其偏好的商品。推荐系统的准确性常因两大问题受到限制,一是评分数量过少导致的数据稀疏问题,二是新物品或新用户加入导致的冷启动问题。本文主要针对这些问题对推荐系统进行研究,以提高推荐结果的准确性。本文立足于推荐系统中与用户、物品相关的多类隐式特征,一方面深入挖掘评分数据中的隐式关系,以对评分数据进行充分利用;另一方面结合迁移学习,研究辅助域中的相关隐式特征,用其辅助目标域的推荐。从深度挖掘评分信息和引入辅助信息两个角度,提出两种创新的推荐算法。本文的具体研究工作和创新点如下:（1）分析用户和物品之间的隐式关系,设计并实现了一种基于用户-物品隐式关系的推荐算法。用户对物品的评分不仅能明确表达他对该物品的喜爱程度,还能隐式地反映该用户与其他相似物品的关系。本文研究了界定用户-物品隐式关系的分层判定方法,并将该隐式关系作为配对式算法中物品分类的标准,以此深入挖掘评分信息中的隐藏信息。然后将分类后的物品集合与配对式算法相结合,以集合和物品两种规模为单位进行配对比较,实现个性化推荐。基于三个真实的数据集的仿真实验结果表明,该算法与其它对比算法相比,能够提供更准确的推荐结果。（2）分析评分和其它异构数据之间的关系,设计了一种基于异构反馈的循环式迁移学习推荐算法框架。用户在推荐系统中的操作会留下大量历史数据,除了评分信息以外,往往还存在其它类型的数据,包括用户对物品的态度信息、用户之间的信任关系等等。本文将评分作为目标域,其它异构数据作为辅助域,提取辅助域中有助于目标域评分预测的特征,并且创新性地设计了循环式的双向迁移方法,以促进辅助域与目标域之间的知识进行充分地交换。本文根据实际情况结合态度辅助域和信任关系辅助域共实现了两种具体的推荐算法。在两个带有信任关系的真实数据集中进行仿真实验,结果表明两种具体的推荐算法的推荐质量较其它对比算法能够取得明显的进步,并能克服冷启动问题。本论文使用图26幅,表11个,参考文献60篇。