在推荐系统中,用户的偏好往往是个性化的,且用户会随着时间的推移而改变他们的偏好,推荐模型如果忽略了用户个性偏好的动态变化,可能会导致推荐质量的下降。其次,推荐系统大都受到冷启动和数据稀疏的影响。如何准确地捕捉用户个性偏好的动态变化,并有效地缓解冷启动和数据稀疏的影响,是提高推荐质量,改善用户体验的关键。由于张量能够更好地存储时间信息从而利于分析用户偏好随时间的变化,且通过耦合张量分解对多个信息进行联合分析能有效缓解数据稀疏和冷启动问题,所以近年来张量分解在推荐系统领域引起了研究者的广泛关注。针对推荐系统中存在的这些问题,提出了基于近似耦合张量分解的推荐模型。该模型通过张量的形式存储表示用户物品交互信息,并使用个性化时间衰减因子来减少用户历史偏好的权重,从而反映出用户偏好的动态变化。同时该模型除了利用用户特征信息作为辅助信息外,还充分挖掘利用潜在辅助信息,有效地缓解了冷启动和数据稀疏问题。在数据联合分析方面,该模型采用近似耦合张量分解方法,相较于传统的耦合张量分解方法,该方法对真实数据分解的准确性更高。其次为了使推荐模型能够适用于大规模数据,提出了一个并行耦合张量分解方法,采用该方法的推荐模型执行速度更快,具有很好的扩展性。通过真实数据集上的实验,对提出的推荐模型的效果进行了验证。实验的结果表明,相较于TimeSVD++、RRN等其他推荐模型,基于近似耦合张量分解的推荐模型的准确性更高、效果更好,受到冷启动和数据稀疏问题的影响更小。采用并行近似耦合张量分解的推荐模型在保证推荐质量的情况下执行效率有较大的提升,且该模型有着不错的并行化性能,对大规模数据有着良好的扩展性。