推荐算法是目前解决信息超载问题最有效的工具之一,被国内外众多学者广泛研究。基于非负矩阵分解具有降维、非负性、可解释能力强等特性,本文将非负矩阵分解作为建模和计算工具,对推荐算法进行深入研究,以达到提高推荐算法推荐准确性的目的。首先,本文分析了推荐算法的研究背景、意义和现状,简单介绍了推荐算法的相关理论,以及为了对比不同算法的推荐效果,给出了推荐算法的评价标准。其次,本文提出了一种基于有向图分割的推荐算法。该算法通过二部图结构与资源分配方法的结合,建立了物品间关系的有向图,再利用非对称非负矩阵分解方法对该有向图进行分割,最终实现ToP-N物品推荐方案。实验表明该算法能提高推荐准确性。第三,本文提出一种利用JNMF将基于用户的协同过滤和基于物品的协同过滤结合起来的推荐算法,基于联合非负矩阵分解能揭示复杂网络结构之间关系的特性,从而结合这两种算法的优点,以降低推荐的平均绝对偏差,提高推荐的准确性。第四,为应对推荐算法中评分数据稀疏的问题,本文提出一种解决数据稀疏问题的推荐算法。在相似度计算中融入用户属性和物品属性,提高相似度计算的准确性,以及在算法的目标函数中引入Hadamard乘积,解决推荐算法评分数据稀疏性问题。最后,对论文的研究工作进行总结,并对今后工作进行展望。