推荐系统作为一种用以满足用户个性化需求的系统和工具,能够有效缓解互联网的信息过载问题。基于矩阵分解的协同过滤则是解决推荐系统评分预测问题应用最为广泛的技术。目前,大量研究工作都围绕着矩阵分解进行有针对的进一步优化。为了缓解矩阵分解所面临的数据稀疏和冷启动等问题,许多研究者将额外信息加入到推荐系统中,例如用户社交信息,物品属性,用户评论和地理位置等显式信息。但现有的研究工作大都直接将这些显式信息融入优化目标中。鲜有工作将研究目标放在对评分显式信息的进一步挖掘中。评分作为一种用户和物品交互的显式表达,蕴藏着丰富的的隐式信息,这些隐式信息可以作为推荐系统理解用户偏好过程的有益补充,从而能够进一步提高推荐系统的性能。本文旨在从评分数据中挖掘物品隐式信息以进一步提升推荐系统的性能。一方面从全局角度挖掘单个物品的流行度对评分的影响,另一方面从局部角度基于评分挖掘两两物品之间存在的隐式关系。本文将上述两种影响因素融合到传统矩阵分解模型中,提出了基于物品隐式信息的推荐模型。此外,本文还将提出的基于物品隐式信息的推荐模型和目前流行的基于用户社交信息的推荐模型相结合,组合成更为高效的综合模型。本文旨在解决推荐系统中的评分预测问题,通过分析评分背后的隐藏信息,引入物品的两种影响因素,设计了基于物品信息的推荐模型,并尝试和基于用户社交信息的推荐技术进行融合,具体工作包括:1.提出基于物品隐式信息的推荐模型。以往的基于物品信息的推荐模型大都只是直接利用额外数据源,却忽视了纵向深挖评分数据背后隐含的物品隐式信息。本文从全局和局部角度分别提出一种挖掘物品隐式信息的方法,这些隐式信息能够进一步刻画物品特征,本文将这些隐式信息以合理的方式融合到传统矩阵分解模型中。2.提出一种融合多元信息的推荐框架。本文在基于物品隐式信息的推荐模型基础之上进行扩展,和社交推荐模型组合成一种多元信息融合的推荐框架,本文在框架中融入两种主流的社交推荐模型并通过真实的实验数据验证了框架的通用性和有效性。该框架不仅拥有统一的优化目标,而且进一步提升了推荐模型的性能。3.基于本文提出的融合多元信息的推荐框架,实现了一个简易的原型推荐系统。系统主要由数据获取模块,数据预处理模块,模型训练模块,模型推荐模块四个部分组成,展示了模型的基本流程,一定程度上反映了本文提出的融合多元信息的推荐模型的合理性。