各类项目的日趋丰富引发了如何向用户进行精准呈现、进而提供智能服务的问题。推荐聚焦用户和推荐项目的最佳匹配，是解决上述问题的有效机制。但不断变化的用户需求，不仅衍生了诸如推荐多样性、推荐公平性等推荐语义，同时对推荐技术提出了新要求和新挑战。本文针对基于用户行为信息的相似度计算存在可改进空间、推荐结果中的多样性呈现不足、推荐公平性语义的不确定性等问题，根据场景分别提出了基于用户行为的相似度计算优化方法、基于隐马尔可夫模型的多样化推荐算法以及融合多种项目属性及推荐频率等因素且覆盖具体推荐公平性语义的推荐算法。本文的主要贡献点如下：
　　（1）针对用户相似度对推荐有效性的重要影响，充分分析了基于用户行为信息进行相似度计算过程存在的优化空间，提出了一种相似度计算的优化方法，该方法能够综合用户的历史“行为”和项目属性，引入最大熵并融合用户“行为”，获取用户间相似度，提升了推荐的准确度。
　　（2）针对现有的多样化推荐没有充分考虑用户隐含行为信息与类别之间的关系，提出了一种多样化推荐算法。该算法引入用户行为状态转移，并与项目类别相结合更新用户间相似度计算，同时将隐马尔可夫模型融入推荐，根据类别为用户推荐多样化项目。建议的方法采用隐马尔可夫模型对用户行为进行有效建模，并兼顾了项目类别信息，在保障推荐准确度的基础上提高了推荐的多样化。
　　（3）针对常规推荐中长尾项目在推荐列表中难以呈现的问题，提出了一种基于协同过滤与多元线性回归的公平性推荐算法。该算法结合项目评分、推荐频率、项目微观因素等，实现推荐多样化和推荐公平性两者之间的平衡。其基于用户类别紧密度和融入微观因素的多元线性回归获取项目得分，同时考虑项目推荐频率，有效减少了高流行度项目的推荐权重，提升了长尾项目被推荐的权重，从而实现推荐公平性。
　　通过设计大量实验，将本文建议方法与传统方法在真实数据集上进行验证、对比分析，得到的实验结果充分表明本文提出方法的有效性。