随着互联网技术的快速发展,线上数据的规模大幅增加。用户从网络中获取信息变得更加便利,但同时也受困于如何从浩瀚的网络信息中撷取真正对自身有用的知识。个性化推荐系统成为一种缓解信息过载问题的有效途径。相比于搜索引擎,推荐系统无需用户主动地提供查询目标,而是利用隐式/显式的用户反馈数据,从中检索相关信息呈现给用户,已受到国内外研究者的广泛关注。在推荐系统数据中存在着长尾分布,即少部分流行的头部物品存在大量交互数据,而绝大部分尾部商品只有很少的交互数据。由于不均匀的数据分布,传统基于协同过滤和基于内存的方法通常会放大热门物品的作用,从而对推荐新颖性带来负面影响。近年来,已有少量工作致力于挖掘更多小众的长尾物品以提高推荐系统的新颖性。这些工作虽然提高了新颖程度,但其过于强调长尾物品的重要性,导致推荐精度大幅下降,并且现有方法尚未深入探究物品流行度和用户意图相互作用的内在机理。针对上述问题,本文提出了一种意图解耦的新颖性推荐框架,该框架将用户/物品的特征分解为流行度、兴趣偏好因素,建模其对用户交互行为产生的影响,从而将用户本质意图引入推荐过程,以期对长尾、流行物品推荐的平衡。此外,现有新颖性推荐的工作仅局限于对长尾物品的处理,本文则拓展了其定义,将未出现在系统中的冷启动物品纳入该范畴,并进一步提出了自监督增强的新颖性推荐框架。该框架利用自监督学习范式,建模协同特征与内容特征的相关关联,从而为冷启动物品生成更有效的表示。本文区分了头部物品、长尾物品、冷启动物品的不同影响,在真实数据集中进行了Top-K推荐实验,实验结果表明本文提出的方法优于所有基线方法,在推荐的综合度量下取得更好的平衡。此外本文还构造一系列消融实验、参数分析实验、案例研究,从多个角度证明本文方法的有效性。