随着科技的不断进步,推荐系统引起了越来越多的人关注。很多的社交网站和旅游网站都开始使用推荐系统,为人们的生活带来了便利。推荐系统中的矩阵分解模型虽然拥有较好的理论基础,但是也存在推荐效率低、推荐准确性差等问题。因此,本文参考了多个矩阵分解模型,以构建具有F1度量、推荐新颖性、推荐覆盖率、用户满意度、地标相似性和过拟合项六个优化目标的矩阵分解优化模型。然而,在求解该优化模型时,传统的演化算法在计算成本、处理效率等方面都遇到了很大的挑战,并且还会面临维度灾难等问题。因此,提出基于问题转化策略的超多目标大规模演化算法（LSMaOA）以更好地处理复杂的大规模优化问题并增加算法的收敛性。并且本文提出一种基于角度惩罚距离的非支配排序策略来提升算法的多样性。本文将LSMaOA应用到本文改进的矩阵分解优化模型中,选择Kn EA、Gr EA、RVEA、LSMOF四种其他演化算法作为对比算法。实验结果表明LSMaOA与四种演化算法相比可以将F1度量分别提升7.78%、13.63%、21.85%、28.63%。本文主要工作包括:（1）本文提出的LSMaOA通过问题转化策略来将复杂的高维大规模优化问题分解为多组低维小规模优化问题,增加了优化效率从而提升了算法的收敛性。在两种测试函数集上,按照不同条件与九种演化算法进行对比实验。实验结果表明本文提出的算法与其他九种演化算法相比具有较好的收敛性与多样性。（2）本文在RVEA的环境选择策略的基础上进行改进,提出了一种基于角度惩罚距离的非支配排序策略。它的目的是将非支配排序策略与角度惩罚距离相结合,从而更好地选择非支配最优解。实验结果表明,本文提出的算法比RVEA具有更高的收敛性和多样性。（3）本文建立了一种用于个性化地标推荐的矩阵分解优化模型。同时考虑了六个优化目标,包括F1度量、推荐新颖性、推荐覆盖率、客户满意度、地标相似性和过拟合项。将提出的LSMaOA应用到推荐模型中并与四种演化算法进行对比实验,实验结果表明LSMaOA具有较好的优化性能。