推荐算法(Recommendation Algorithm)的目的是将最可能引起用户兴趣的物品推荐给用户,从而使用户和供应商都得到利益最大化。随着电商时代和大数据时代的到来,推荐算法的好坏越来越成为一个网站或应用成功与否的重要因素之一。隐语义模型(Latent Factor Model,LFM)推荐算法由于自适应性能好、预测准确性高,已成为推荐算法研究领域的一个热点,在评分预测、TopN推荐等两种典型推荐算法应用场景下都展示了可观的应用前景。然而,隐语义模型推荐算法在性能上尚存在改进提升空间。为此,本文针对隐语义模型推荐算法展开进一步研究,并将其应用于评分预测、TopN推荐。隐语义模型在实际使用前需要对用户偏好模型进行训练,目前使用的训练方法是梯度下降法。有鉴于此,本文首先针对隐语义模型的训练过程进行研究,结合学习自动机(Learning Automata,LA)具有全局收敛性好、抗噪声能力强的优点,对现有隐语义模型的典型训练算法进行改进,给出了CALA-TM训练算法,并将其应用于评分预测。仿真结果表明,基于该改进算法,可以在评分矩阵较稀疏的情况下提高预测准确度。更进一步,考虑上述CALA-TM训练算法存在收敛速度较慢的局限性,本文将梯度下降算法与学习自动机相结合,进一步对训练算法加以改进,给出了基于学习自动机与梯度下降算法相结合的训练算法LAGD-TM,并也将其应用于预测评分。仿真结果表明,该训练算法可以提高CALA-TM训练过程中的误差下降速度,减少模型训练时间,并且,还可以在相应预测评分方面进一步降低预测误差。此外,本文也对隐语义模型在TopN推荐中的应用进行了探讨,结合上述研究成果并改进经典Top N推荐方法的排序方式,给出了一种改进的LAGD-RCSM TopN推荐方法。实验结果表明,改进后的TopN推荐方法可以进一步提高前Top10和Top20的召回率。