互联网的兴起带来了信息量的剧增,满足了用户对知识的需求和渴望。但随着网络急剧发展而引发的信息大爆炸,使得用户在海量数据面前,不能简单直接获取自己真正所需内容,反而导致有效信息的获取难度增加,形成信息超载现象。推荐系统是解决上述问题的主要手段之一。目前推荐领域主流模型是协同过滤算法,分为基于User和Item的协同过滤以及基于模型的协同过滤。基于模型的协同过滤算法中,又以矩阵分解系列算法为主要分支,但是其在迁移性上存在弊端。因子分解机系列模型能够仅通过改变输入的特征实值向量形式,去模拟常见的矩阵分解模型,如SVD++,PITF等,有效地避免了传统矩阵分解模型针对每一个具体任务都要去单独定义模型表达式和优化方法的弊端。因此本文将研究聚焦于因子分解系列模型。首先,用户-物品评分矩阵中隐含的用户行为信息在一定程度上反映了用户的兴趣偏好,对于推荐而言是非常有价值的信息,但是常见的协同过滤算法并没有将此信息进行很好的利用。针对上述问题,本文提出了word2vec和因子分解机的融合模型,即通过word2vec技术对此序列信息建模,并将输出作为因子分解机模型输入,去进一步提升因子分解机模型的评分预测准确率。以上融合模型,经实验证明,在降低评分预测误差上,取得了较好的收益。其次,领域因子分解机在因子分解机基础上,提出了field的概念,使得其在特征建模方面效果更好。但其通常用于分类问题中,而这里我们则将其用来解决评分预测这样的回归问题。并且为了进一步提升模型的效果,我们还将领域因子分解机模型和Mini-Batch Kmeans++算法进行融合,进一步提升领域因子分解机模型的评分预测准确率。实验结果证明了上述方案在降低评分预测误差上的有效性。