近年来随着移动互联网的迅速发展,小红书、今日头条、贴吧等内容型App也快速崛起。各大内容型App都有上千万的活跃用户,这些用户既是内容的消费者也是内容的生产者,导致了内容数量的暴增。Feed信息流是内容型App首页推送给用户的一种特定形式的内容,能帮助企业提升用户在App上的提留时间,实现多元变现,提升企业收入。面对庞大的用户和信息量,如何更好向用户推荐Feed信息流就成了企业需要思考的问题,这也是本文研究的目的所在。本文结合Feed信息流的特点以及矩阵分解模型在推荐算法中应用,设计了一种Feed信息流的推荐方法。其主要思想是基于用户对Feed信息流的历史浏览点击行为,构造用户对Feed流的偏好评分矩阵。考虑到数据稀疏的问题,本文使用矩阵分解中在稀疏矩阵上表现较好LFM隐语义模型作为本文推荐的基础算法。通过LFM隐语义模型从训练集中分别提取用户和Feed信息流的隐向量,预测待推荐Feed信息流的偏好评分,得到Feed信息流推荐列表。在此基础上,加入用户画像和Feed特征信息,利用逻辑回归预测用户点击Feed流的概率,按照概率值排序得到了重排序后的列表,作为最终的Feed流推荐列表。最后本文基于某款App实际的Feed流数据集对本文提出的推荐方法进行了实验,实现了Feed流的个性化推荐。并且对实验的结果进行了细致的分析,结果表明,基于LFM隐语义模型在Feed流推荐上有较好的表现,重排序也能进一步提升推荐效果,验证了本文提出的Feed流推荐方法的有效性。