随着互联网的爆炸式增长,人们所需的信息容纳于海量的数据中。而推荐系统能够帮助人们从这些数据中筛选出对自己有用的信息,这些数据可用高维稀疏矩阵来表示。因基于隐特征分析的推荐技术具备计算效率高、空间复杂度低、可扩展性强等优点,被广泛地研究和应用,是处理高维稀疏数据的有效方法。在隐特征分析模型中,随机梯度下降算法作为最受欢迎的求解方式,常常被用来提取高维稀疏矩阵中的隐特征。但基于该求解方式的隐特征分析模型的性能受学习步长的影响,为获得精准的预测结果需要选择一个适合的学习步长,这需要耗费大量的时间和精力。因此,为改善现存隐特征分析模型的性能,本文提出了一种基于粒子群优化的高速收敛隐特征分析模型,并围绕该优化模型开展研究工作,所完成的主要工作内容如下:(1)提出了一种基于粒子群优化的隐特征分析模型。该模型将粒子群优化算法的规则应用到隐特征分析模型中,将每个粒子视作需要优化的学习步长,利用粒子自身的经验和群体的经验进行更新来自动选择学习步长,使学习步长能够实现自适应,从而获得高的计算效率以及具有竞争力的预测精度,该模型在时间消耗上明显优于传统的隐特征分析模型。(2)提出一种新的、基于位置变迁的粒子群优化算法。针对粒子容易陷入局部最优解的问题,在每次飞行时群体中的粒子将考虑前一次的飞行距离,即粒子在前一次迭代时的飞行速度,从而扩大了粒子探索的范围,避免粒子陷入局部最优而无法跳出的情况,平衡了粒子的全局搜索能力与局部搜索能力。(3)设计了一种基于改进粒子群优化的隐特征分析模型。该模型将基于位置变迁的粒子群优化算法的规则应用到隐特征分析模型中,通过在大型工业应用产生的数据集上进行实验对比分析,结果表明本文提出的模型在预测精度与计算效率上都优于其他的隐特征分析模型,其在计算效率上展现了特别的高效性,大大提高了原始模型的性能。