近年来随着博客、微博、facebook、twitter等网络自媒体的飞速发展,Web上每秒钟都会产生大量的信息。在Web信息的种类、数量、实时性都呈指数增长的今天,信息由最初的匮乏状态转换成了过载状态,信息过滤便显得尤为重要,推荐系统也随之诞生,其中基于协同过滤技术的推荐系统应用得尤为广泛。但传统的协同过滤算法仅仅利用简单的统计规则无法准确的捕捉用户与项目之间的关系,没有解决原始矩阵稀疏性问题。导致传统协同过滤算法的推荐准确度不高。近年来有学者提出了有监督学习的协同过滤方法(Collaborative Filtering to Supervised Learning,COFILS)。该方法首先将原始矩阵进行矩阵分解来解决稀疏性问题,利用矩阵分解技术提取用户隐含因子和项目隐含因子,将用户隐含因子和项目隐含因子拼接组成特征二元组,对应的评分作为特征标签,建立回归模型。但是这种方法存在三个问题。1)因为矩阵分解存在信息的流失问题,COFILS方法是以信息流失作为代价解决了稀疏性问题,仅仅是表面上解决了稀疏性问题。2)没有考虑用户的差异性问题。3)拟合模型的精度不高。本文针对上述问题,研究了一种有监督学习的协同过滤方法,分别提出了相应的改进算法。具体研究工作包括以下方面。1)针对现有研究仅仅表面上解决了稀疏性问题,存在信息流失的问题。本文提出一种训练数据构建方法,提出一种无损提取隐含因子构建训练数据的方法。2)针对拟合模型精度不高和数据稀疏性问题,本文提出了一种基于交互的因子分解机网络模型(Interaction-Based Neural factorization machines,IB-NFM),通过IB-NFM中的embedding层来解决数据稀疏性问题,通过IB-NFM中的FM层提取的低阶特征与deep层提取的高阶特征进行结合,共同作用于predict层的方式,来提高拟合精度。3)针对没有考虑用户差异性的问题,本文提出一种数据预处理方法。首先通过数据预处理将用户分为几个小类,训练模型时,分别为每一个小类单独训练一个模型。4)最后设计实验验证本文所提方法的有效性与先进性。在Movielens 100k数据集上通过实验验证本文所提方法是有效并且先进的。