随着网络和智能设备的不断发展,互联网上的信息也越来越丰富和多样,人们可以在网络上获得各种各样的信息和服务,同时人们逐渐发现要在网上找到符合自己需求的东西也越来越麻烦,早期搜索技术可以满足人们这一需求,但是由于它的结果不够“个性化”,不能满足不同用户的个人偏好需求,因此个性化推荐技术开始被发现并应用于各个领域,推荐系统也尝试利用各种算法挖掘用户的个性化偏好。个性化推荐技术主要试图通过分析用户的历史行为对用户未购买的商品进行评分预测,并根据预测评分的高低推荐给用户相应的商品。目前基于矩阵分解的协同过滤算法虽然能够很好的进行评分预测,但是面临如何更好地挖掘和利用辅助信息的问题(如用户的个人兴趣和社交关系等),并且由于其分解后低维矩阵的不可解释性,从而无法对推荐结果进行解释。针对上述问题,通过对用户行为进行深入分析,挖掘出用户三个不同维度的个人偏好,包括利用情感分析技术从用户的评论文本中挖掘出用户的情感偏好,利用主题建模从用户的评论文本中挖掘出用户的兴趣偏好,以及根据用户的社交关系信息,计算出朋友之间的相似度,挖掘出用户的社交偏好。通过将这三种不同用户偏好与基本矩阵分解模型进行融合,然后利用随机梯度下降法进行模型求解,一方面可以提高推荐结果的准确度,另一方面由于这些不同偏好与矩阵分解模型中隐因子的融合,可以为用户提供推荐结果的解释,最后通过大量的实验,对两种基于多维度用户偏好的推荐模型进行分析,实验结果显示与传统矩阵分解模型相比,本文所提模型的准确度有较大提升。