随着互联网的高速发展和普及,网络空间中的信息量急剧增长。在电子商务、新闻、电影以及音乐等多个互联网领域,人们面临的“信息过载”问题愈发严重。在此背景下,为用户提供个性化决策支持和信息服务的推荐系统应运而生。当前,推荐系统的发展已经取得了巨大的进步,然而随着推荐场景的不断变化,推荐系统也面临着许多的问题和挑战。传统的矩阵分解算法大多是基于评分预测的,无法准确地体现出用户对物品偏好的顺序关系。另一方面,单一的推荐算法通常存在自身的局限性,实际应用中往往需要综合多个推荐算法形成混合推荐以提升推荐效果。针对上述问题,本文研究使用排序学习技术分别进行解决。针对传统矩阵分解模型无法准确体现用户偏好顺序问题,本文将推荐问题转化为物品间顺序预测问题,利用排序学习技术求解矩阵分解模型中的最优参数。本文在矩阵分解算法SVD++的基础上,分别运用Pairwise排序学习方法和Listwise排序学习方法进行改进,提出了两种基于排序学习的SVD++算法——基于Pairwise排序学习的SVD++算法(Pair Rank-SVD++)和基于Listwise排序学习的SVD++算法(List RankSVD++)。Pair Rank-SVD++算法将Rank Net算法和SVD++算法结合,通过最小化模型预测的有序物品对数求解最优模型。而List Rank-SVD++算法则将List Net算法和SVD++算法结合,通过优化物品排列的概率分布来求解最优模型。针对混合推荐问题,本文提出了一种基于排序学习的混合推荐算法。算法中根据子推荐算法产生用户的候选推荐物品集,然后针对用户-物品对构建特征向量,利用子推荐算法的预测结果作为用户-物品对的联合特征,并对用户和物品也分别提取内容特征,然后提出了一种基于正则化网络的Listwise排序学习算法建立用户-物品对的再排序模型,从而形成一个融合多个子模型推荐结果以及用户、物品内容信息的混合推荐模型。最后,在Movielens数据集对本文提出的算法进行实验验证,实验结果表明本文提出的基于排序学习的SVD++算法具有更高的推荐精度;本文提出基于排序学习的混合推荐算法能够有效整合子模型的推荐结果,获得更好的推荐效果。