随着移动互联网的大规模普及,日益增加的信息、日新月异的商业模式,让人们处于信息过载的困境。推荐系统,作为一个帮助用户筛选出更有效信息的工具,在学术界和工业界都得到了快速的发展。为了能够对用户行为偏好数据进行更加准确分析,基于模型的协同过滤在近些年成为研究重点。其中,基于矩阵分解模型和基于张量分解模型的协同过滤能够很好地从稀疏大规模数据中学习,并且这些模型的变体考虑了更加细致的数据特征,增加了相似度计算来对用户偏好进行准确建模。然而,我们通过文献调研发现,尚未有研究工作探讨张量分解模型和矩阵分解模型之间联系,常规的Frobenius范数约束难以充分地刻画用户偏好随时间的动态变化,模型求解之后得到的隐向量缺乏解释被认为是理所当然。因此,本文从非负张量分解的基本性质出发,揭示了张量分解模型和顺序矩阵分解模型的数学联系,并赋予隐向量合理解释。在这些发现的基础上,我们提出了两个新的非负张量分解模型。具体工作如下:首先,本文在CP张量分解性质的基础上,从数学形式上推导了顺序矩阵分解模型与张量分解模型之间的关系,将用户偏好转移矩阵和时间隐向量这两者联系起来,从而给时间隐向量的可解释性做了初步工作。其次,本文针对时间片数据设计了一种新相似度度量,并将它添加到非负张量分解模型当中,提出基于时间相似性的非负张量分解的算法。接着,本文讨论了如何使用Tucker分解来描述转移矩阵,并在此基础上提出了一种具有核稀疏性约束的非负张量分解模型及其求解算法。最后,本文在多个公共数据集上验证了本文提出的模型和算法的有效性和优势,并对我们的算法开放源代码。