如今,随着电子商务、社交网络和人工智能等技术的不断发展,信息量每天都在快速增加。面对海量数据,我们时常因为不知如何获取有价值的信息而倍感焦虑。智能推荐算法能帮助我们缩小选择范围,快速从海量数据中筛选出我们可能感兴趣的信息和物品。在众多推荐算法中,基于协同过滤的推荐算法是其中一类较为有效的算法,而且不需要领域相关的知识,因此通用性也较好。本文围绕协同过滤中的评分预测问题,以矩阵分解模型为基础,从两个方面对显式反馈（如评分数据）的建模方法进行改进,包括偏好上下文和用户隐私/数据安全。我们研究并分析了SVD++和MF-MPC两个有代表性的评分预测模型,发现它们对偏好上下文的建模方式虽然较为特别,但灵活性欠佳。针对这个问题,我们提出了一个改进的推荐算法k-CoFi。首先,我们从三个不同的角度对用户的偏好上下文进行建模,包括（1）关注相邻评分间关联性的k-granularity偏好上下文,（2）笼统地分为喜欢和不喜欢的k-partition偏好上下文,以及（3）侧重于无感感受的k-segment偏好上下文。其次,我们将以上三种偏好上下文抽象为一个统一的偏好上下文,即k-component偏好上下文。最后,我们在k-component偏好上下文的基础上,设计了一个新的协同过滤推荐算法k-CoFi。实验结果表明,k-CoFi是一个较为通用的推荐算法,能有效提高推荐效果,且不同偏好上下文之间具有一定的互补性。随着用户对个人隐私的重视,人们越来越难以接受将各方的用户评分数据聚合后再进行建模的方式。于是,如何在保护用户隐私信息的前提下实现多方数据的联合建模是推荐算法面临的一个重大挑战。在本文中,我们在共同矩阵分解模型（CMF）和联邦学习技术（FL）的基础上,设计了一个新的协同过滤推荐算法,即联邦共同矩阵分解（FCMF）。在FCMF中,我们在本地保留各方原始评分数据和用户潜在特征向量,选择敏感度较小的物品潜在特征向量作为联合建模的桥梁,并通过同态加密和差分隐私等技术来保护联合建模过程中各方隐私信息的安全。通过深入分析FCMF的联合建模过程,证明了该算法能有效保护各方的隐私信息。此外,通过真实数据集上的实验,发现同态加密和差分隐私技术对FCMF的联合建模效果没有明显的负面影响,且FCMF的联合建模效果与聚合各方数据的方法相当。