随着互联网的飞速发展,推荐系统得到人们越来越多的关注,提供有效的用户个性化推荐是目前研究的热点问题,通过对用户历史行为的分析,预测用户偏好。近年来,结合用户社交网络的推荐算法目前已经得到广泛的应用,基于用户之间的信任进行相关推荐可以有效缓解推荐中冷启动的问题,但仅仅基于用户之间的信任关系进行推荐会存在项目的覆盖问题。同时,由于网络传播、媒体曝光和社区讨论等方式的影响,流行度较高的项目,更有可能被用户认识,但对于用户感兴趣的冷门项目推荐覆盖范围不高。此外,推荐算法的覆盖率和准确率存在内在的折中,在提高推荐覆盖率的同时会降低推荐的准确率。本文针对现有推荐算法覆盖率不高的问题,提出一种融合项目流行度和用户信任关系的矩阵分解推荐算法。首先,本文定义了信任网络脱节的问题,然后提出了一种基于合并用户-项目评分矩阵和用户-用户信任关系矩阵的推荐算法TruMF。TruMF利用矩阵分解技术的传递性,它将用户信任关系与项目评分视为同一层级,从而导致在矩阵分解的过程中,项目评分与信任关系发生混合,使得传递信任和预测评分同时发生。这种方式极大的提高了推荐算法的覆盖率,然而损失了对比方法8%左右的精度。针对这一问题,本文将项目流行度加权策略引入到评分矩阵中,在TruMF算法的基础上作出进一步优化,提出PopTruMF算法。PopTruMF算法研究了从隐式反馈中学习矩阵分解模型的问题。与先前对丢失数据赋予统一权重的工作相比,本文根据项目的流行度对丢失的数据进行个性化加权,对用户评分项目和未评分项目分别进行加权处理。同时设计了增量更新策略,以实时调整动态数据,满足在线学习的要求,有效地从隐式反馈中学习。通过一系列离线和在线协议的对比实验,证明了PopTruMF算法在大幅度改善推荐覆盖率的同时,保证了推荐的准确率,能够给于用户更好的推荐效果。