近年来，推荐系统的研究变得极为火热，这主要因为，推荐系统能从大数据中提供个性化信息给用户，而这些数据往往是非常嘈杂和难以利用的。传统的方法是利用“用户-物品”的评分矩阵来进行推荐的。但在现实生活中，推荐系统往往存在着该矩阵以外的附加信息(side information)，而这些信息可以有效地提高评分预测效果。本文主要研究了三种附加信息（即关于内容的，关于时间的和关于地点的），指出了现有方法处理这些附加信息的一些未解问题，并提出了新的解决方案。　　本文主要结合附加信息和领域知识来提高推荐系统的性能。在结合内容信息的推荐上，我们提出了一种以特征为中心的模型来分析用户在特征层面的偏好，而不是传统的物品层面的偏好。该模型依据特征层面的偏好来进行评分预测。本文接着研究了在异构网络中的推荐，提出了一种结合内容和物品属性的方法。在结合时间信息的推荐中，本文提出了时序矩阵分解方法，对用户兴趣偏好转移进行建模。这种兴趣转移对构建一个精确的推荐系统来说是非常重要的。在结合地点信息的推荐中，我们提出了一种跨地域的协同过滤方法，用以处理用户到一个新地点的推荐。在这个模型中，用户长期和短期的偏好被分别考虑了。本文所有提出的方法都在真实数据集上进行过实验，并和现有算法进行了比较。