随着信息过载的产生,在越来越开放的互联网中,想要获取我们真正需要的信息变得越来越困难,个性化推荐的出现有效地解决了信息过载的问题,主动为用户推荐其感兴趣的信息和商品。协同过滤是个性化推荐中使用最广泛的方法,但由于协同过滤通常只将用户-项目评分作为推荐的唯一数据信息,因此存在冷启动、数据稀疏等问题。本文在一个结合主题模型(LDA)和矩阵分解模型(PMF)的分层贝叶斯模型——协同主题回归模型(CTR)的基础上,使用其中的主题模型对项目的标签信息进行处理,并对概率矩阵分解模型进行改进,不仅考虑用户-项目的评分信息,还将用户的信任关系、时间序列、项目的标签信息等其他对推荐具有影响的因素加入到模型中。用户可以根据好友及其信任用户的推荐选择自己感兴趣的商品,基于时间因素的用户评价先后关系也会对用户的选择产生影响,将时间序列对用户关系的影响与好友间的信任度线性融合并加入到PMF模型中,生成用户潜在特征向量。此外用户对项目定义的标签信息在一定程度上也可以反映用户的偏好,因此利用主题模型LDA处理项目的标签文本信息得到项目的潜在特征向量。最后将改进的LDA和PMF模型的特点融合在CTR模型中,根据CTR模型的原理提出N-CTR模型,并采用梯度下降方法和最大期望算法最优化用户、项目潜在特征矩阵和主题分布向量,进行评分预测。在Last.fm数据集上进行实验,实验结果显示混合了用户信任关系、时间序列、项目标签信息和评分数据等多因素的N-CTR模型的推荐准确率MAE和RMSE比只采用用户-项目评分数据的PMF模型分别提高了 7.36%和7.94%,说明本模型在一定程度上缓解了推荐过程中的数据稀疏问题且该模型比传统的协同过滤推荐算法准确率更高。