由于近年来互联网用户数量的持续增长,各种类型的用户数据也日益增多,而且数据量的增长也愈来愈快。用户在互联网上所面对的信息愈来愈多,在海量数据中找到想要的信息变得愈发困难。推荐系统主要作用就是为了应对当前的信息过载问题,主动且准确地给人们发掘有用的信息。如何将大量的不同类型的用户数据联系起来并将其转换为有效的信息是推荐系统中的一个重要的问题。在一些视频、音乐及读书等网站的推荐系统中常常需要预测用户评分,以此来判断用户的偏好。大部分情况下用户的行为日志都是很少的,使得现有的一些基于矩阵分解的用户评分预测算法计算出的用户评分预测偏差过大,预测准确率无法进一步提升。在这个问题上,最常使用的解决办法是加入用户的社交网络数据,这些方法利用用户之间的社交信息来关联用户,根据用户好友的数据来减小对用户偏好的预测误差。在没有使用用户社交网络数据的基础之上,针对推荐系统的用户评分预测中常用的概率矩阵分解模型的准确性问题,提出融合标签和用户聚类类别信息对原有的概率矩阵分解模型添加约束来减小预测结果的误差。本文的主要工作包括:1、分析并研究了国内外基于矩阵分解的推荐系统的发展及其研究进展,对常见的基于矩阵分解的推荐算法以及本文涉及的组推荐技术、基于标签的推荐算法进行了简要的概述,阐述了一些现有的基于矩阵分解的推荐算法的一些问题。2、针对推荐算法领域中用户评分数据非常稀疏的问题,提出了融合标签和组推荐技术的评分预测算法。该方法通过聚类算法尽可能将相似用户分到同一个类簇,并结合相似用户的偏好来增加预测准确率。3、在概率矩阵分解的基础上结合用户打标签的数据来解决用户打分数据非常稀疏的问题。本文的创新之处包括:1、提出了一种结合了组推荐技术和概率矩阵分解的推荐模型。该方法通过用户聚类来将相似的用户聚到同一类簇,并通过同一类簇用户的偏好来帮助预测每一个用户的偏好。2、提出在概率矩阵分解中加入用户打标签的数据。仿真实验结果表明,增加用户聚类与电影标签数据能有效减小算法预测误差。