随着网络信息的不断膨胀,推荐系统作为一种信息过滤技术越来越受到人们的关注。协同过滤算法是迄今最成功也是应用最为广泛的推荐技术。而概率矩阵分解模型作为协同过滤中的关键技术,近年来已被广泛研究。本文在概率矩阵分解模型基础上使用主题模型对用户行为进行挖掘,提出混合用户行为建模的概率矩阵分解算法,探讨用户行为信息对推荐系统的影响。首先,本文将推荐系统中用户的行为信息分为两类：用户选择评分的物品集合以及用户在物品上的评论或标签等文本信息。然后,本文使用主题模型技术分别对两者进行建模,并对两种主题分布线性回归,利用综合主题分布约束用户的潜在特征向量,最后采用概率矩阵分解技术对用户-评分矩阵进行建模。利用最终得到的用户和物品的潜在特征向量预测用户对物品的评分。本文在公开的数据集lastfm和delicious上进行实验与分析,结果表明,混合用户行为建模的概率矩阵分解模型在推荐质量上相较于优秀的推荐算法有了一定的提升,并且在对冷启动用户的推荐上,本文的模型有更明显的提高。