基于矩阵分解的推荐算法是当前比较流行的一种推荐算法,它不仅可以通过训练将高维的用户-项目评分矩阵分解为低维矩阵,还可以使得推荐系统的推荐精度随着评分数据的增加而不断提高。尽管如此,基于矩阵分解的推荐算法也存在诸多问题。接下来本文将对矩阵分解推荐算法进行深入研究,针对目前基于矩阵分解的推荐算法中大都存在:用户和项目隐式反馈信息考虑单一,且未对反馈信息进行相关性衡量就直接使用的问题;计算用户之间和项目之间相关性不精确的问题以及数据稀疏等问题。本文提出了相应的解决方案。本文的主要研究内容有:(1)提出了一种融合项目和用户隐式反馈的个性化推荐算法。即将基于项目隐式反馈的矩阵分解和基于用户隐式反馈的矩阵分解以一定的权重相结合,且对引入的用户和项目反馈信息采用相关性函数进行衡量。改善了由用户和项目隐式反馈信息考虑单一和反馈信息使用不准确造成的矩阵分解预测评分不精确的问题。(2)为进一步提高矩阵分解用于预测评分的准确度,本文又对相似性度量方式进行了改进,使相似度的计算不仅考虑了用户-项目评分,还加入了项目的属性信息。(3)提出了一种基于流行属性标签的数据填充方式,来改善矩阵分解的数据稀疏问题。不仅增强了填充数据的解释性,也提高了矩阵分解评分模型预测评分的准确度。本文使用MovieLens数据集从多个角度进行了实验验证,实验表明本文提出的算法有效提高了预测评分的精确度。