在推荐算法中,基于矩阵分解的协同过滤算法是使用最为广泛的推荐技术之一。本文将对传统的矩阵分解算法在共同购买的模式上进行扩展,基于word2Vec中点际关系的概念构建物品、用户之间共同购买的关联矩阵,并结合用户行为建模和概率矩阵分解,研究共同购买关系矩阵对推荐系统的影响。首先,本文根据物品共同购买的关系,把物品视作节点,构建点际关系矩阵,同样的得到用户点际关系矩阵。接着本文综合历史评分和共同购买的因素,把这两个矩阵和用户-物品评分矩阵进行分解,得到用户向量和物品向量。然后本文使用主题模型对用户的物品集合和评论文本进行建模得到主题向量,使用这两个主题向量来线性拟合用户向量。最后基于概率矩阵分解算法对本文模型考虑的因素进行建模,并利用最终的用户和物品向量来预测用户对物品的购买情况。本文在公开的movielens和amazon数据集上进行实验,结果表明,基于共同购买和用户行为的矩阵分解算法在推荐质量上对比PMF、CTR等优秀的推荐算法有一定的提升,并且在推荐物品共同购买集上有明显的提高。