互联网的高速发展,为用户的工作、学习、日常生活提供了极大的便利,用户随时可以通过互联网接触到更新鲜的咨询。但是由于互联网的特性,信息过载问题越来越严重,这时候推荐系统应运而生了。其中基于模型的协同过滤推荐算法以其个性化的推荐方式,挖掘每一个用户更深层的兴趣爱好,在众多推荐系统中迅速脱颖而出。而以潜在因子模型(Latent Factor Model)为基础的矩阵分解模型(Matrix Factorization Model)更因其准确、高效、容易实现,得到广泛的扩展和应用。本文主要研究工作有以下几点:1.本文首先对当前比较热门的几种个性化推荐系统进行了详细的对比分析,并通过对推荐系统的认识总结了当今推荐系统所面临的问题,然后对推荐算法的评估与优化做了详细总结与推导。2.第一个核心部分从构造模型角度对矩阵分解各种基础以及拓展模型进行深入分析,为了进一步提高模型的预测精度,在偏置因子矩阵分解模型的基础上引入打分时间辅助信息,定义为时间偏置因子矩阵分解(Time Biases Matrix Factorization,TBMF),并详细推导了算法的迭代公式,以及算法结构图与伪代码。然后在真实数据集上,通过实验确定各种参数对算法的影响并选择出最优参数,最后固定相同的参数,与其他算法进行对比,从而验证改进后算法的预测精度。3.第二个核心部分从统计角度对概率矩阵分解模型及扩展进行推导,以此为前提,在概率矩阵分解模型的基础上引入对项目是否有评分属性作为限制项,定义为用户属性概率矩阵分解(Attribute Matrix Factorization,APMF),并详细推导了算法的迭代公式,以及结构图。然后根据改进算法的特性固定合适的参数进一步验证算法的优劣,最后设置相同参数对各种算法进行迭代比较,来验证了改进后算法的预测精度。