随着互联网行业及其电商平台的持续快速发展,海量的商品选择带来了严重的信息过载问题。推荐系统能够根据不同的用户喜好,从大量的数据中快速找到用户感兴趣的信息,解决信息过载的问题,因此成为应用计算机科学的重要课题之一。传统面向单一物品的推荐系统通常只关注用户对物品的不同喜好,而忽略物品之间的兼容关系。在更多时候,用户不仅关心他们喜欢的物品,同时还希望得到关于搭配物品的推荐。例如,当用户喜欢某一件上衣时,推荐系统需要考虑与之匹配的裤子或鞋子的推荐。面向单一物品的推荐不考虑物品之间的兼容关系,因此容易简单地给出多个相似的推荐。为了解决这一问题,考虑多个物品兼容关系的组合搭配推荐逐渐成为新的研究热点。物品组合搭配推荐存在广泛的应用场景,例如推荐多件服饰组成的套装,多个景点组成的旅游线路,多项运动组成的健身计划等。相比单一物品推荐,组合搭配推荐通过同时推荐多个相互兼容的物品为用户提供更全面的建议。但是,组合中复杂的物品关联性、多样的用户喜好以及严峻的数据稀疏性等问题也为组合推荐算法的构建带来了更大的挑战。现有的组合推荐算法存在鲁棒性不强、算法效率不高以及适应性较差等诸多局限性,难以满足实际应用需求。解决组合推荐问题需要同时在原理以及应用层面上做出创新。在原理层面,组合推荐需要额外地对多物品间的关联性进行解释和探究。在应用层面,不仅需要考虑对组合的直接推荐,还需要和组合相关的物品建议任务等。在众多物品组合推荐的应用中,服饰搭配推荐是其中最具代表性的,也是用户日常生活中需求最普遍的任务之一。本文从物品图像的内容分析入手,以提升组合推荐算法准确性、提高计算效率和解决小样本学习问题为研究目标开展研究。主要工作包括以下几个方面:（1）提出了基于上下文的物品相关性度量算法,提升了推荐准确性。现有的组合推荐算法在衡量物品相似性时通常忽略物品的上下文条件,制约了推荐结果的准确性。本文利用互信息量最大化理论将上下文条件合理地嵌入到物品的特征中,提高了相关性度量的性能和组合推荐的准确性。（2）研究了组合中的异常物品问题,提高了检测准确性。异常物品是相似物品的反面,是组合中不匹配整体的物品。对异常物品的检测能够帮助用户以更低的成本改进现有的组合搭配。本文利用自注意力机制对物品之间的相关性进行编码和解码,实现了异常物品的检测,提升了预测的准确性。（3）构建了组合推荐中的组合表征学习算法,进一步提升了推荐准确性。虽然现有的方法基于不同的物品关联性假设给出了不同的组合建模方式,但多数工作没有考虑组合的紧凑表示。本文构建了一种直观且高效的组合紧凑表示法,使得复杂的物品相关性被抽象成低维流形,从而简化了组合推荐问题。该组合表征方式被应用在不同类型的推荐任务中,并在各自任务下取得了的性能提升。（4）设计了基于哈希学习的组合推荐算法,提升了推荐效率。利用哈希计算的高效性,本文将哈希技术应用到组合推荐任务中,分别获得了物品和用户的二值编码,提高了计算效率。此外,本文提出了新的基于伯努利分布的采样哈希算法,提供了哈希学习的概率解释以及可控的性能与效率权衡。（5）研究了组合推荐中的新用户参数估计方法,解决了小样本学习问题。在推荐系统的实际部署中,存在大量只有有限数据的新用户。为了提升对新用户的推荐性能,本文设计了一种多向量表征的用户建模方法,将用户的喜好解耦到不同向量中,使新用户的喜好可以直接通过已有用户进行快速重构,提升了小样本用户的推荐性能。本文将服饰搭配推荐作为组合推荐算法研究的对象的同时,收集了大规模的个性化服饰搭配数据集,进行了大量的实验和理论分析,为后续组合推荐的研究提供了算法理论基础以及新的研究角度。