随着互联网的快速发展,信息资源的规模迅猛增长,信息过载成为了当今社会的一个主要问题。由于用户从海量信息中提取有用的信息变得越发困难,针对个人的智能化推荐技术应运而生。鉴于个性化的推荐系统具有主动服务、个性化程度高和用户驱动等优点,推荐技术成为了学术界和工业界的研究热点。树模型是一种按规则对样本进行划分的预测模型,随着用户量和信息资源的进一步扩大,针对特征维度过高、正负交互样本不平衡和模型过拟合等问题,本文进行了深入细致的研究,主要成果包括:(1)基于商品的历史数据,本文提出了一种层次化的商品预测模型。而为了实现对商品数据进行有效的表示,提出了基于时空特性的商品表征方法。针对数据表征的高维问题,基于Bagging思想,在特征空间构建了一种层次化的GBDT集成模型,解决了 GBDT高方差的问题,提高了模型的预测性能,实验结果验证了本文所提模型的有效性;(2)针对商品数据中正负交互样本不平衡的问题,本文提出了一种个性化的去偏DART集成模型。为了对用户的个性化画像进行描述,利用决策树的稀疏编码方法得到用户的个性化表征。进一步,利用下采样构建多个基DART决策树模型,通过集成的方法生成强学习器,避免了过拟合问题,改善了模型的预测性能;(3)对于DART模型中Dropout方法没有充分考虑到决策树之间重要性的问题,本文提出了一种基于重要性排序的DART模型。通过采用决策树的错误率作为重要性排序准则,使得模型训练过程中趋于拟合残差较大的方向进行改善,提高了模型的泛化能力,通过实验验证了所提模型的预测性能。