Web作为电子和商业交易媒介的重要性日益提高,已成为推荐系统技术发展的主要动力。在推荐系统技术与web相辅相成下,用户能够轻松得到许多偏好反馈。其中,Web提供了简化的数据收集和用户界面,可采用这种形式以非介入方式推荐商品。推荐系统的主题非常多样化,因为它可以使用各种类型的用户偏好和用户需求数据进行推荐。著名的方法包括协同过滤法,基于内容的推荐和基于知识的推荐。这三种方法构成了推荐系统研究的基本支柱。近年来,基于各种数据域和上下文(例如时间,位置和社交信息)提出了许多改进方法。因此,本文针对传统的推荐方法和算法的优化开展了以下的研究工作:低秩张量分解不仅可以挖掘数据之间的隐式关系,还可以在处理复杂数据时填充缺失的数据。与传统的协同过滤(Collaborative Filtering,CF)算法相比,从传统的矩阵分析到三维空间分析,从本质上提出了变化。基于低秩张量因子分解,提出了一种综合考虑本地信息和全局信息的推荐模型,即结合信任用户和低秩张量因子分解的相似性。首先,通过在选择项目时信任用户的相似偏好,度量受信任用户之间的相似度以捕获用户之间的本地信息。然后,将用户的相似度集成到张量中,并使用低秩张量分解来更好地维护和描述数据的内部结构以获得全局信息。基于交替最小二乘法的思想,设计了适合本文模型的Fletcher-Reeves共轭梯度(FR-CG)优化算法。该方法相较于原始共轭梯度法,在计算过程中只用一阶导数信息,解决了对称正定矩阵对计算过程的约束问题。FR-CG比随机梯度法收敛速度快,计算时利用本地和全局信息在迭代过程中生成最佳预测结果。将上述模型在Ciao数据集和Film Trust数据集上进行了大量对比实验。实验结果表明,在密度较低的数据集下,该算法的精度损失较小。因此,不仅可以在准确性和覆盖范围之间取得完美的折衷,而且可以降低计算复杂度以满足实时结果的需求。