在当今信息爆炸的时代,人们可以在推荐系统这一强大的信息过滤工具的帮助下从海量的信息中很快地找出自己感兴趣的内容。目前,协同过滤算法是推荐系统中最流行的一个算法类别。矩阵分解和随机游走是两种可以应用到推荐系统中的基于模型的协同过滤算法。矩阵分解模型通过将用户和物品分解为隐含因子向量来解决数据的稀疏性问题,因此具有良好的可伸缩性。分解机(Factorization Machines)是一个一般的分解模型,可以仅通过指定其输入特征向量来模拟不同的矩阵分解模型,为了方便矩阵分解模型的使用,本文实现了分解机,并做了一些优化工作,如使用基于用户的分组特征和缓存技术。随机游走模型也能有效地缓解数据稀疏的问题,有很多不同的随机游走模型,它们的转移概率矩阵均采用基于启发式的方法来计算,而本文提出一种基于模型的方法来计算转移概率矩阵,这种方法通过矩阵分解技术将随机游走模型中的结点映射为隐因子向量,并使用该向量计算结点之间的转移概率。最后,本文针对具体的随机游走模型验证了上述方法。实验结果表明,该方法能提高随机游走模型的预测性能,并使其具有更强的稳定性,而且在数据集极端稀疏的情况下,也能有效地捕捉结点之间的转移概率。