协同过滤模型作为推荐算法的一个分支,主要以基于模型的协同过滤推荐为核心。其中基于矩阵分解模型的协同过滤推荐的影响最深远。在传统的矩阵分解模型基础上,近年来提出了诸多改进方法综合利用评分矩阵与辅助信息对用户与项目建立基于矩阵分解的模型,提高推荐效果并挖掘有效的推荐依据。然而,辅助信息与评分矩阵数据类型不同且评分矩阵数据隐含大量潜在信息。当前对深层次挖掘评分矩阵潜在数据的类型与关联过程的研究较少,更少有模型关注矩阵分解会导致信息损失。针对上述问题本文提出一种基于特征重构的用户-项目交替反馈分解模型。该模型利用特征重构的思想,深层次的挖掘用户与项目之间的显性与隐性特征及其关联,并补偿矩阵分解数据损失问题。矩阵分解模型实现预测能力需要对模型的参数进行学习,矩阵分解模型的参数更新普遍采用基于梯度下降法的迭代学习法。然而,梯度下降法存在迭代效率低,导致矩阵分解模型的参数学习时间过长的问题。根据梯度下降法性质可知其误差曲线存在梯度逐渐变小的问题,会引发损失函数逼近最小误差时收敛速度放缓,且当误差越来越小时其收敛速度变得越来越缓慢。牛顿法相比梯度下降法因其二阶导数决定了梯度的下降方向,在收敛速度上存在明显优势。然而,在矩阵参数的计算时由于需要计算海森矩阵并存储,带来了较高的算法复杂度与存储需求。根据上述分析,本文提出一种两阶融合加速学习算法,通过二阶偏导数作为判别标准将梯度下降与牛顿法融合,改善梯度下降法收敛速度放缓问题,同时也缓解了牛顿法计算矩阵参数带来的计算与存储的高需求。实验结果表明,交替反馈矩阵分解模型的特征挖掘能力提升明显,并且有效地缩减了模型的训练时间。另外,在模型的特征更新迭代与参数变化稳定性上表现出较好的效果。同时,两阶融合加速算法的收敛速度相比梯度下降法提高明显且同时也降低了牛顿法的计算与存储开销,有效提升了模型参数的学习效率。