随着互联网时代的到来,各种互联网企业与人们的生活联系的越来越紧密。推荐系统被应用在越来越多的领域来节约用户的时间成本以及帮助用户挖掘自己的潜在兴趣从而达到提高用户产品体验的效果。推荐系统目前已经是互联网产品不可分割的一部分,各国优秀的企业和学者都在持续的研究以及关注推荐系统的发展。本文针对传统推荐技术中用户兴趣定位不准确以及推荐结果的流行化和单一化问题提出了基于二次优化法的解决方法,旨在解决推荐结果的新颖性的问题,具体的研究内容如下。首先,针对传统的推荐系统用户兴趣定位不准确的问题,在二次优化法的用户建模阶段提出了基于相对偏好的用户建模方法。通过对评分矩阵中所有用户进行评分偏见的消除,使所有用户的评价标准统一。在此基础上,利用相对偏好的思想,即将目标用户对目标项目的喜好程度与用户群体对该项目的喜好程度进行对比分析,来确定用户独特的兴趣偏好。其次,为了解决传统推荐算法新颖性较差的问题,提出了基于好奇心模型的二次优化推荐算法。在推荐算法中引入心理学当中的好奇心模型,通过量化用户所受的历史刺激对用户的好奇心变化曲线进行预测以及建模,以此来判断目标项目对用户的刺激是否适中,从而对初始推荐列表进行筛选提高推荐结果的新颖性。最后,将本次课题提出的基于相对偏好和好奇心模型的推荐算法与其他两种具有代表性的推荐算法进行对比实验,通过准确率、召回率以及平均流行度三个评价指标对实验结果进行分析。