个性化推荐技术的广泛利用大大提高了用户与网站的交互能力,不但使得网站能够精准的推荐给用户有效的信息,还能够使用户在更短的时间内发现对自己有价值的信息,引起了商业界和学术界的广泛关注和深入研究。因子分解技术作为典型的基于模型的推荐方法,也是推荐领域的研究热点。基于因子分解的推荐方法在预测准确的同时保持了良好的可扩展性,且在多种真实情景应用中均有良好的可适应性。在此背景下,本文对基于因子分解模型的推荐技术展开了细致的研究,取得的主要成果有:(1)以传统的在用户-项目评分矩阵上基于因子分解的推荐方法为出发点,提出了基于关系图邻接矩阵低秩逼近的模型。从用户和项目的相似性空间一致性角度出发分别对两个特征矩阵进行约束,在保持高维表征空间与低维隐性空间的一致性关系的同时,可以一定程度上避免局部过拟合问题,有效地提高了基于关系图的协同过滤推荐系统的性能;(2)传统方法将标签信息作为用户偏好模型的偏向性指导,只对评分矩阵进行小范围调整,而本文则进一步挖掘标签信息,提出融合标签信息的因子分解推荐方法,将标签信息又细分为用户-标签信息和项目-标签信息,并映射到低维空间分别对用户特征矩阵和项目特征矩阵作约束,不仅可以增加数据多样性,缓解数据高维且稀疏带来的计算问题,而且使推荐结果更加个性化;(3)提出了强化用户画像区分度的推荐方法,将聚类信息应用到矩阵因子分解的推荐方法中,产生的用户画像与用户隐特征矩阵作约束,强化了用户画像的区分度,产生一定的修正效果,使得其更符合用户特征偏好,这样做更符合实际应用场景,实验结果得到了验证。