推荐系统的研究一直是数据挖掘中的热点,在解决信息过载方面起到了重要作用。其中协同过滤是相对成熟的推荐技术,但目前协同过滤算法仍存在数据稀疏性、冷启动以及隐式信息挖掘不充分等问题。本文通过对项目隐式信息的挖掘以及融合多因素来改善协同过滤过程进而影响推荐准确度,缓解数据稀疏性。首先,本文对常用的推荐算法进行描述,详细介绍了协同过滤中矩阵分解方法的原理及优缺点,分析了针对项目隐式反馈和协同过滤算法过程的研究现状及相关问题,并提出改进策略。其次,在当前矩阵分解推荐算法中,一般研究用户和项目的显式信息对评分的影响,对于矩阵中隐式信息的挖掘尚不成熟,且在对隐式信息的挖掘过程中绝大多数算法忽略了项目本身属性的挖掘。为了更好地融入项目隐式信息对用户评分的影响,考虑项目是否在同一领域和项目口碑效应两个影响因素,并融入到矩阵分解模型中,再通过最小化目标函数来学习用户和项目特征矩阵,尽可能的达到预测评分接近真实评分的结果。再次,针对基于协同过滤推荐算法过程中,仍存在的数据信息挖掘不足,利用率不高的现象,引入用户重叠评分项、评分均值以及用户从众评分因素,建立多因素融合模型来优化协同过滤算法。主要通过矩阵分解对数据进行降维,融合用户评分信息以及信任信息与具体相似度计算结合,有效计算用户间相似性,以期提高推荐准确性。最后,分别对本文所提出的基于项目隐式反馈模型和多因素融合的协同过滤算法模型在经典数据集上设计实验。通过实验找出算法的最优参数,然后结合对比实验对数据进行综合分析,实验结果表明本文所构建的模型有效提高了推荐结果的准确性。