近些年来,个性化推荐系统作为一种解决网络超载问题的重要工具,被广泛应用于互联网的很多领域。对于个性化的top-N推荐任务,除了推荐的相关性,推荐的多样性也是很有必要的。一般而言,不同的用户往往有不同的个人兴趣范围。兴趣广泛的用户可能喜欢各种各样的信息,而拥有固定兴趣的用户可能只对一些信息感兴趣。因此,在个性化的top-N推荐任务中,推荐的相关性和多样性相结合的结果会更令人满意。为了这个目的,本文将集合多样性的概念加入传统的矩阵分解模型中。在协同过滤方法中,矩阵分解模型是目前最流行的、效果最好的模型之一。通过使用基于个性化集合协同排序的学习方法对该模型进行学习,本文的方法可以直接进行富有多样性的个性化top-N推荐。对个性化的多样性进行学习的过程中,种类信息也被显式的利用。实验结果显示,对于个性化的top-N推荐任务,本文提出的方法在相关性和多样性方面的表现均优于传统的做法,同时获得了更加个性化的多样性推荐效果。