经典的推荐系统着重于推荐的准确性,随着用户多样化需求的增加,推荐结果的多样性受到越来越多的关注。推荐的精度与多样性存在冲突,传统的推荐算法往往也忽略系统中的用户活跃度差异。因此,本文从数据分布的特点着手,提出面向不同用户的层次化推荐模型,该模型以快速非支配排序遗传算法NSGA-II（Fast Non-dominated Sorting Genetic Algorithm）为多目标进化算法载体,以推荐列表中物品的预测评分平均值衡量推荐精度和以覆盖率衡量推荐多样性这个两个优化目标,从算法的初始化方法,到交叉操作和变异率这三个方面对现有的多目标推荐算法进行了改进,具体内容如下:（1）对基于概率的多目标进化算法的改进传统推荐算法在推荐精度上表现较优,但目前在推荐多样性方面已经难以满足用户的需求。为了使推荐结果更符合个性化推荐,通过翻阅大量近年关于多目标推荐算法的相关文献,本文将对已有基于概率的多目标进化算法在初始化和参数上进行改进,获得更优的算法交叉和变异方式。分别在三种传统推荐算法上进行实验测试,实验结果验证了改进后的基于概率的多目标进化算法在推荐精度和多样性方面都能找到更优的结果。（2）本文提出的三种初始化方案在对传统推荐算法进行充分了解的基础上,以及在基于概率的多目标进化算法实验测试探索下,发现在多目标推荐算法的完整结构中,在初始化阶段加入本文提出的三种不同初始化方案可以获得注重不同优化目标的推荐结果。其中IT100初始化方案更注重推荐结果的推荐精度,IT50-IC50初始化方案能使多目标推荐算法找到兼顾推荐精度和多样性折中的推荐结果,IC100初始化方案则更注重推荐结果的多样性。最后,通过从不同维度以及不同场景下的三个真实数据集,以及在基于三个传统推荐算法上,多目标推荐算法得到的帕累托前沿图具有明显的分布特征,其分布特征可以证实本文提出的三种初始方案会得到注重不同优化目标的推荐结果的有效性。（3）基于用户分层的推荐方案根据本文提出的三种初始化方案在帕累托前沿图分布的特征,以及用户评价数据的分布特点,本文按照用户对物品的评价次数将用户分为高、中、低三种用户集。然后在三个不同维度以及不同场景下的真实数据进行实验,将三种用户集对应的两个优化目标和两个评价指标整理列出结果,总结出基于用户分层的推荐方案。其中IT100初始化方案更适用于评价次数高的用户集,IT50-IC50初始化方案更适用于评价次数适中的用户集,而IC100初始化方案更适用于评价次数较少的用户集。