随着互联网的发展，人们对个性化服务的需求日益增长，推荐系统成为商业应用中至关重要的一部分。如今，推荐系统面对的应用场景日益丰富，考虑到获取不同用户反馈的成本和效益，在不同的应用场景中可以利用的用户反馈也不尽相同。物品关系在推荐系统中应用广泛，起到了重要作用。在隐式因子模型中，如何针对不同用户反馈，合理地利用物品关系，改善模型推荐质量具有重要研究意义。　　本论文的主要研究工作如下:　　(1)提出一个融合用户评分、评论、用户关系和物品关系的推荐方法。在可以获取用户评分和评论等显式反馈的应用场景中，该方法融合了矩阵分解和主题模型这两个隐式因子模型，前者主要用于挖掘用户评分数据，后者主要用于学习评论文本中的主题分布。我们通过转换函数使得矩阵分解模型和主题模型相互影响。针对相关推荐方法忽视物品关系的问题，我们借助物品关系对物品特征向量进行约束，同时，借助用户关系对用户特征向量进行约束，从而达到改善模型预测质量的目的。　　(2)基于泊松因子模型，提出一个融合物品关系的推荐方法。针对可以获取用户访问物品次数这一隐式反馈的应用场景，该方法首先假设用户对物品的访问次数服从泊松分布;然后将隐因子模型中用户和物品的特征向量的点乘作为基准，并以用户购买过的物品与待预测物品的关系作为权重来对泊松分布参数进行建模;最后采用ADMM算法在迭代过程中学习得到用户和物品的隐式特征。　　本文提出的推荐算法在真实数据集上和相关推荐算法进行了对比，实验结果表明我们所提出的推荐算法有效地改善了推荐质量，验证了算法的合理性和可行性。