如今,以大数据为驱动的个性化商业推荐系统已经在Amazon、e Bay等大型互联网公司中广泛应用,他们的主要目的是利用推荐系统最大化公司利润,这与推荐准确性、推荐物品的利润值及长尾物品的曝光率均密切相关。然而,传统的推荐算法及目前的基于进化算法的多目标推荐算法都只考虑了用户侧的使用体验,却未考虑公司最关心的利润需求。另外,现存基于进化算法的多目标推荐算法存在后期超体积波动和时间开销过大的问题。针对以上问题,本文主要的研究和创新工作如下:（1）构建了一个以预期总利润和新颖性为目标函数的多目标商业推荐模型,其中预期总利润函数综合考虑了推荐结果的准确性和推荐物品的利润值,提高预期总利润函数值可以提升推荐列表的真实利润。新颖性函数定义为新物品及长尾物品在推荐列表中的占比,提高新颖性函数值可以在提升长尾物品曝光度的同时缓解冷启动问题。（2）提出了一种新颖的混合概率多目标进化算法（HP-MOEA）来优化（1）中的两个冲突的目标。HP-MOEA通过融合经典的NSGA-II和SMS-EMOA框架,使其优势互补,让算法的超体积在整个迭代过程中能够快速且稳定的提升。另外,本文提出了一种全新的概率交叉算子,该算子让优秀的父代个体拥有更大的基因遗传概率,增大了子代继承优秀基因的可能性,使群体更容易产生优秀的个体。在三个基准数据集上将HP-MOEA算法与MOEA-EPG、PMOEA、MOEA-Probs、CF和MF几个当前最主流的推荐算法进行对比实验,实验结果表明HP-MOEA与其他几个算法相比均具有一定的优越性。（3）首次构建了一个基于并行进化算法的多目标商业推荐模型,并提出了一种新颖的基于协同合作的并行多目标进化算法（CC-MOEA）。CC-MOEA通过一种类岛屿模型弥补了传统主奴模型和岛屿模型的缺陷,保证了算法在超体积不低于串行算法的同时大幅的降低算法的时间开销。在三个基准数据集上将CC-MOEA算法与e-DNSGA-II、SLA-MOEA、MOEA-EPG、PMOEA和MOEA-Probs几个当前最主流的多目标进化算法进行对比实验,实验结果表明CC-MOEA在超体积上均优于其他算法,并且其时间开销要远远低于串行的进化算法。