随着电子商务的迅速发展,使得各类商品、网站的数量剧增。人们需要大量的时间筛选需要的商品,为了方便人们快速找到需求商品,推荐算法应运而生。传统推荐算法通常根据显性评分数据进行预测推荐,显性评分矩阵由于数据稀疏而无法完整地描述用户对某物品的偏好程度,导致推荐准确度不高。针对这些问题,本文主要进行了下面两个方面的研究:针对协同过滤推荐算法显性评分值缺失,导致推荐算法准确率过低的问题。本文在以评分数据作为显性反馈模型的基础上,通过观看电影时长建立隐式反馈模型,首先采用传统的协同过滤推荐算法产生初步预测集合,再计算目标用户的显性评分数量与隐性反馈数量并进行对比,如果隐性反馈数量大于显性评分数量则将目标用户划分为隐性操作用户,否则划分为显性操作用户。针对隐性操作用户在初步预测集的基础上,为目标用户产生过隐性反馈的电影进行加权,最后生成推荐列表。在MovieLens数据集上进行仿真实验,实现表明:本文算法与其他算法相比较,在准确率、召回率和F1值上都拥有较好的表现。针对电子商务系统数据量大且稀疏性较高,导致协同过滤算法运行效率低的问题。引入交替最小二乘法及ALS-WR方法分别对显性反馈模型和隐性反馈模型进行分解降维,分别形成两个用户-隐藏因子矩阵和两个项目-隐藏因子矩阵。提出一种新的结合方式将两种数据结合,并引入权值的概念将用户-隐藏因子矩阵与项目-隐藏因子矩阵两两融合,形成用户与项目的双反馈矩阵,通过乘积的形式获取最后的预测矩阵并加以推荐。在MovieLens数据集上进行仿真实验,验证了算法的有效性,实验结果表明,与基于ALS-WR的推荐算法、基于SVD的推荐算法和基于SVD++的推荐算法进行对比,在准确率、召回率和F1值上本文算法均优于上述算法,有效地提高了推荐质量。