进入21世纪以来,互联网迅速普及,数十亿互联网用户产生了海量的信息,人类社会进入到了大数据时代。海量的信息推动了社会的发展,但同时社会也面临着难以有效利用这些海量信息的问题。推荐系统能够通过分析用户行为的数据,判断出用户的喜好,然后给每个用户推荐他们感兴趣的信息,可以有效的解决信息爆炸的问题。尤其是在电子商务等领域,推荐系统得到了广泛的应用。在一个推荐系统问题中,研究者会得到包含用户和物品信息的数据集,通过提出模型和算法来分析出数据集中隐含的用户和物品的关系,进而给用户推荐某些该用户可能喜欢的物品,或者推荐某些物品可能适用的用户。在推荐系统中,用户和物品的属性信息很大程度上决定了用户的偏好和物品的特点,对于最后推荐的准确度有很大的影响。但是大多数模型还不能利用到这些属性信息,所以本文的主要目标就是将这些属性信息加入到推荐系统模型中去,改进推荐算法,提高推荐的准确度。在本文中,用户和物品的属性信息首先用于计算用户和物品的相似度,然后基于这些相似度用一种非参数统计的方法来将用户和物品分类,最后根据分类情况来确定模型的参数。这些分类信息对于挖掘用户以及物品之间的稱合关系和提高推荐的准确性都很重要。最后,在数据集Movielens上的实验结果说明了本文提出的推荐算法的有效性。本文的主要工作可以概括如下:1.研究了两种经典推荐算法:概率矩阵分解和贝叶斯概率矩阵分解;2.改进以往算法提出了耦合贝叶斯矩阵分解模型,使推荐算法能够利用到用户和物品的属性信息;3.编写耦合贝叶斯矩阵分解模型的程序,然后应用到数据集上,得出推荐效果,并与其它方法比较结果的准确性。