随着在线服务的快速发展,互联网上拥有的信息量呈现爆炸性增长趋势,导致人们很难有效地获取感兴趣的内容。推荐系统是帮助用户发现符合其兴趣偏好的物品,缓解信息过载问题的有效工具之一。矩阵分解算法是目前推荐系统领域研究的前沿之一。该算法将用户对物品的评分矩阵分解为隐因子空间上用户、物品隐因子矩阵,具有理论基础好、预测准确性高等诸多优点。目前,矩阵分解算法仍存在学习速率调参耗时、倾斜数据集上并行效果差和稀疏评分数据集上推荐效果不理想等问题。本文围绕矩阵分解算法,深入分析其存在的三个问题,并提出了相应的改进方案。本文的主要内容和贡献如下:我们提出了一个求解矩阵分解模型的自适应学习速率算法。随机梯度下降算法是求解矩阵分解模型的有效算法之一,其性能很大程度上依赖于训练过程中学习速率的调整方案。在优化矩阵分解算法的目标函数时,由于学习速率选取的不合适,目标函数会出现收敛速度慢、收敛结果不理想等问题。本文在分析各种学习速率方案缺点的基础上,提出了一个求解矩阵分解模型的自适应学习速率算法AALRSMF。该算法来源于ADADELTA算法,不需要手动设置全局学习速率,并且表现出对超参数选择的鲁棒性。和ADADELTA算法相比,AALRSMF算法将空间复杂度从O(k(m+ n))降低为O(m + n),将每次迭代的计算代价减少了 O(10k)。实验结果表明,AALRSMF算法能够显著地减少目标函数收敛的迭代次数。我们提出了一个并行矩阵分解算法。矩阵分解算法的并行化一直是一个研究热点,但是当用户评分矩阵倾斜时,已有的并行矩阵分解算法会导致目标函数出现收敛速度慢、收敛结果不理想等问题。本文在分析已有的并行算法在分解倾斜评分矩阵缺点的基础上,提出了一个基于KD树的并行矩阵分解算法KDMF。该算法利用KD树对用户评分矩阵进行划分,使得每个分区块中的评分数目尽可能相近,然后基于部分匹配查询,设计出一个异步调度算法,最小化调度分区块的时间花费。实验结果表明,KDMF算法能够显著地减少目标函数收敛所需要的时间,并且收敛结果好于其他并行算法。我们提出了一个基于文本上下文的矩阵分解算法。在实际应用中,用户评分矩阵往往是极度稀疏的。在这样的数据集上,传统的矩阵分解算法学习效果往往不理想。研究人员考虑将一些辅助信息加入到矩阵分解模型中,来提高推荐算法的性能。本文基于前人的工作,并针对他们工作中存在的问题,提出了一个基于字符表征信息的矩阵分解算法CharConvMF。该算法将物品的文本内容作为辅助信息,利用深度卷积神经网络从字符的角度提取文本内容的表征信息,然后将提取到的表征信息集成到基于邻居的矩阵分解算法中。实验结果表明,即使是在用户评分矩阵极度稀疏的情况下,CharConvMF算法评分预测的准确性依然好于其他矩阵分解算法。