推荐系统是一种帮助网络用户解决信息过载问题的有效手段。传统的推荐算法往往都只专注于物品预测评分的准确性,而没有考虑物品在系统产生的推荐列表中的排列顺序,对用户来说预测评分的准确性并不能保证一个好的排序结果。为了解决推荐列表中物品的排序问题,研究者将排序学习方法融入到推荐算法之中得到排序推荐模型。本文针对如何利用机器学习的方法来提升推荐算法的排序效果这个问题进行了研究。介绍了推荐系统以及常见的推荐算法,还有不同的排序学习方法及排序学习方法在推荐领域内的应用,并在对当前的排序推荐算法进行了分析的基础上,本文提出了两种面向隐式反馈信息的基于排序学习的推荐方法:1)针对传统的推荐算法没有考虑到推荐物品之间的顺序关系,而只是从单个物品的角度进行评分预测的问题。本文提出了一种对级的排序推荐算法,pairAUC算法,该方法充分利用了物品对中物品的相对位置信息,通过两个物品的相对位置关系来控制模型参数更新的幅度,并优化与排序评价指标AUC相关的损失函数得到最终的排序推荐模型。2)针对对级排序学习方法中没有考虑物品在推荐列表中所在位置的问题,结合列表级排序学习方法的思想,提出了一种通过直接优化排序评价指标MAP来得到物品排序模型的方法,称为MSMF算法。通过将评价指标MAP中非平滑的部分替换为连续函数的方式进行优化。为了进一步提升该算法的排序效果,又在该算法的基础上结合AdaRank算法的思想提出了一种改进的AdaMSMF算法,通过训练多个弱排序器并进行加权组合,得到一个强的排序器用于推荐。在不同的数据集上的实验结果表明,本文提出的pairAUC算法的推荐效果优于BPR、FISM、RankBPR等对级排序学习方法。本文提出的MSMF算法和AdaMSMF算法的结果均优于CLiMF、xCLiMF、LRMF等列表级排序学习方法。