推荐系统作为一种信息过滤技术,能快速的定位到用户感兴趣的物品,解决信息过载和用户喜好之间的矛盾。随着信息量的增加,传统的实体行业也开始将推荐系统纳入自己的特有领域来解决信息过载问题。在南水北调信息分发系统中,由于领域信息多种多样,数据结构各不相同,对信息建立一种统一特征提取方法和特征描述模型是相当困难的。加上用户兴趣因人而异,单纯的用户静态信息无法很好地刻画用户兴趣偏好。用户隐式反馈行为是一种易提取,广泛存在于系统的各个模块当中的用户偏好信息。基于隐式反馈的协同过滤推荐也称为单类协同过滤,因此,在南水北调信息分发系统中,研究单类协同过滤推荐系统具有非常重要的现实意义。然而,基于矩阵分解的单类协同过滤由于缺少负反馈信息而存在模型不平衡的问题,需要手动添加负样本来平衡模型。针对选择哪些未浏览信息作为负样本问题,提出了基于概率抽样的负样本选择方法。概率抽样方法将用户未浏览信息作为抽样总体,把负样本选择问题看作是对总体的抽样。用户与信息的关联度以及信息的热门度分别表示负样本的不同特征,可以通过概率抽样方法这些特征融入到负样本的选择过程中。同时为了将关联度和热门度融入到同一负样本抽样过程中,提出了加权特征融合的概率抽样方法来选择负样本。在手动添加负样本后,模型的数据集可以认为是一种二值型数据,传统的概率矩阵分解模型(Probabilistic Matrix Factorization,PMF)不合适对这种用户行为进行建模。针对此问题,本文提出了一种基于二项分布的概率矩阵分解模型(PMF based on Binomial Distribution,PMFBD)。首先利用二项分布模型代替高斯分布模型来建立用户隐式反馈行为的兴趣模型,然后采用Logistic回归函数将用户行为预测值限制在0到1之间,最后给出了 PMFBD模型的随机梯度下降训练方法。实验表明,融入了关联度和热门度的概率抽样负样本选择方法,与随机样本选择方法和基于K近邻(K-Nearest Neighbors,KNN)的样本选择方法相比有一定的优势。其次,加权特征融合的概率抽样方法能将同一未浏览信息的两种特征融入到同一概率抽样过程中,能进一步提高推荐系统的整体性能。随后实验对比了 PMFBD模型和PMF模型在不同正则化系数下的性能指标,在较优的正则化系数下,PMFBD模型的性能要好于PMF模型。最后采用加权特征融合的概率抽样方法来选择负样本,并采用PMFBD模型构建用户兴趣模型作为本文方法与传统方法进行对比,实验结果表明本文方法要好于传统方法。