双边匹配理论具有广阔的应用前景,现实生活中的双边匹配机制往往不具备稳定性、抗操作等理想性质,在可操作的双边匹配机制中为匹配主体的选择策略进行有效的推荐是双边匹配研究领域较新的研究视角。本文基于经典的Gale-Shapley机制,对受约束的Gale-Shapley机制及该机制下的两类不同情形的推荐问题进行了研究。第一种推荐情形是在匹配申请方的主体还没有选择任何对方主体的情况下,根据其风险偏好和优先顺序等基本属性进行推荐;第二种推荐情形是在匹配申请方的主体已经选择部分对方主体的情况下对其进行推荐。为了解决这两类情形下的推荐问题,结合匹配机制的特征,分别提出了基于F分数的推荐算法和基于最近邻的关联规则推荐算法,并且以平行志愿为案例对所提的两种算法进行了分析,具体的工作如下:(1)对受约束的Gale-Shapley机制及其推荐问题模型进行了研究基于经典的Gale-Shapley机制,结合现实中可操作的双边匹配问题,如人员招聘、平行志愿等,提出受约束的Gale-Shapley机制。提出了在受约束的Gale-Shapley机制下的两类不同情形的推荐问题,一类是甲方主体在没有选择任何乙方主体的情形下,结合甲方主体的风险偏好进行推荐,另一类是在甲方主体已经选择了部分乙方主体的情形下进行推荐。(2)提出了基于F分数的推荐算法为了解决第一类推荐问题,提出一种风险可调控的推荐算法,即基于F分数的推荐算法。在一定风险偏好下,给甲方主体x推荐合适的乙方主体,需要权衡甲方主体的优先顺序r在乙方主体的历史匹配到的甲方主体优先顺序序列Sy中的相对位置。为此,本文定义了名次优势和名次劣势两个指标来评估r在Sy中的相对位置,然后引用F分数对名次优势和名次劣势进行加权综合,F分数可以看作r在Sy中相对位置的一种综合度量,权重的大小则反映了甲方主体x的风险偏好。(3)提出了基于最近邻的关联规则推荐算法为了解决第二类推荐问题,提出基于最近邻的关联规则推荐算法。将每一个甲方主体的每一次选择看作一项事务,那么甲方主体最近邻的选择清单就可以构成一个最近邻事务数据集,从而可以在最近邻事务数据集上进行关联规则挖掘,分析最近邻的不同选择清单中乙方主体之间的关联。在甲方主体选择了某些乙方主体之后,将已经选择的乙方主体看作是强关联规则先导,则强关联规则的后继就是在一定支持度和置信度条件下要给甲方主体推荐的结果。(4)设计了评价指标,以平行志愿为案例对两种推荐算法推荐效果进行分析对于第一类推荐问题,能否成功匹配是主要考虑的问题,因此对于基于F分数的推荐算法,采用推荐成功率和总效用两个指标进行评价,通过在多组数据集上与基于平均匹配名次的推荐算法和基于最低匹配名次的推荐算法进行实验对比。实验结果验证了基于F分数推荐算法的风险可调控性,并且具有较好的推荐成功率,推荐结果的整体满意度也较高。对于第二类推荐问题,已选的乙方主体是甲方主体在权衡自身条件后的选择,因此发掘乙方主体长尾能力是主要考虑的问题,进而对于基于最近邻的关联规则推荐算法,采用推荐成功率和覆盖率两个指标来进行评价,通过在两组数据集上与基于原始的关联规则推荐算法进行实验对比。实验结果显示,基于最近邻的关联规则推荐算法虽然牺牲了小部分推荐成功率,但是在推荐的乙方主体总数以及成功推荐的的乙方主体总数上都大于原始的关联规则推荐算法,而且覆盖率也远大于原始的关联规则推荐算法。