推荐系统是目前用来缓解信息过载的常用技术。个性化推荐系统依赖于用户的行为反馈数据,包括显式反馈和隐式反馈。诸如点击和收藏之类的隐式反馈由于其收集成本低廉,数据量大并且含有更加丰富的隐藏信息而被广泛研究并应用于推荐系统中,其应用的难点在于对用户行为的解释,隐式反馈的解释高度依赖于各应用领域。本文将电商领域基于多行为隐式反馈的在线推荐问题形式化为多臂赌博机问题,提出了一种基于多臂赌博机的在线推荐模型。该模型主要包含三个模块:环境、动作（臂）集和bandit算法。通过bandit算法与环境的交互不断优化策略,以实现最大化累积奖励,为用户提供在线推荐服务。bandit算法是模型的核心模块,本文提出基于多行为隐式反馈的汤普森采样算法（MIF-TS）,该算法主要根据臂的预期奖励分布进行随机采样,选择最佳臂产生推荐。本文在三个公共数据集上验证了所提出的模型和算法的有效性,并讨论了影响模型的因素以及提出模型在冷启动环境下的差异化推荐策略。实验结果表明,所提模型和算法能有效利用用户多行为隐式反馈获取用户偏好,解决推荐中的探索/利用权衡问题;并且模型在冷启动环境下具有鲁棒性,采用预训练的方式进一步优化了冷启动下的推荐效果。本文的主要工作和创新点归纳如下:（1）提出了一种基于多臂赌博机的在线推荐模型,该模型具有两个独特的特征。首先,使用根据用户行为和产品属性筛选的产品子集而非单个产品作为臂,这不仅避免了大规模臂的复杂性,还能充分利用上下文信息获取用户偏好,使得推荐具有可解释性。其次,与常见的伯努利奖励设置不同,本文将用户的多行为反馈分为强交互行为和弱交互行为,并赋予它们不同权重的奖励,用以更新臂的预期奖励分布。此外,还提出了结合用户当前偏好和历史偏好的不同臂推荐策略以适用于不同场景。（2）提出了基于多行为隐式反馈的汤普森采样算法MIF-TS。算法假设每个臂的预期奖励服从独立的Beta分布,使用多行为隐式反馈更新后验分布,以使臂的预期奖励分布逐渐接近真实的平均奖励。从后验分布中进行随机采样,选择采样值最大的臂进行推荐,有效平衡了探索与利用,保证了推荐的准确性和多样性。（3）本文在三个具有不同特征的公共数据集上进行了实验,评估了所提模型和算法的性能,深入分析了模型中的几个重要影响因素,并探讨了该模型处理冷启动问题的能力。