随着移动互联网应用的迅猛发展,数据信息呈井喷式增长,同时也带来了“信息过载”问题。在此背景下,推荐系统应运而生。个性化推荐系统可以根据用户的兴趣特征和历史行为,为用户推荐其感兴趣的信息。尽管推荐系统被广泛使用于各个领域,但在实际的应用中也存在着以下不足:（1）就优化目标而言,许多推荐算法的研究往往集中在提高推荐结果的准确性,而缺乏一定程度的意外性、偶然性和多样性推荐,因而产生的推荐结果不能满足用户多元化需求,导致用户满意度降低。（2）个性化推荐系统在推荐结果的意外性、偶然性、多样性和准确性之间难以取得平衡。针对上述问题,本文提出了两种解决算法并将其应用在电影推荐领域。主要的工作体现在以下两方面:（1）针对推荐列表缺乏意外性、偶然性和多样性推荐的问题。本文设计了一种基于异构信息网络嵌入的个性化多目标推荐算法（HINE）。该模型首先提出了在潜在空间中定义意外性,并且将用户预期项目集公式化为潜在空间中用户先前访问过的所有项目生成的自然闭集。然后,利用异构信息网络（HIN）在特征空间中对预期项目集合进行建模,更全面的获取用户、项目和属性之间复杂和多维的关系。最后,将HIN映射到潜在空间,并根据潜在空间中生成的预期项目集凸包进行意外性计算,同时将效用函数定义为意外性和评级的线性组合,并基于此进行个性化多目标项目推荐。上述过程分别通过算法引入三个关键功能单元具体实现。最终实验结果表明,HINE在Ml-Last-mall数据集上明显优于多种基线推荐模型。（2）针对推荐结果缺乏偶然性、多样性以及它们与准确性之间的平衡问题。本文设计了一种基于词性聚类的个性化多目标推荐算法（POSC）。该模型利用标签基因组相关性得分所包含的上下文信息,充分了解用户个人资料,并基于标签基因组矩阵进行层次聚类,形成用户组常规和不常规的偏好集群,然后以常规的集群为目标,通过“标签兴趣度相似电影选择算法”推荐排名前n位的电影,而排名后n位的电影通过“新颖重排序算法”选出高度多样化同时具有偶然性和新颖性的电影。实验结果表明,POSC模型在多目标推荐方面确实是有效的,其结果要优于多种现存的方法。