随着移动互联网的蓬勃发展,琳琅满目的商品充斥在各种电子商务平台上,面对众多的商品种类,用户对找到满足其需要的商品会比较困难。因此,研发高质量的个性化商品推荐系统成为移动电子商务平台发展的必经之路。然而,已有的传统协同过滤算法不能支撑如今庞大的数据量,并且协同过滤算法由于其提出的时代性所限,不能完全考虑用户和移动电子商务的特征,且存在推荐准确性低、受稀疏性影响大且稳定性差等问题,推荐结果的准确性和效率差强人意,影响用户的购物体验。因此,结合大数据时代的新兴技术,对传统的推荐算法进行改进,使之符合现阶段海量数据的推荐需求,成为学术界及企业迫在眉睫的问题。本文根据用户对商品购物行为的特点,结合移动电商的特征,研究出一种基于矩阵分解与特征分析的混合推荐算法。该算法分为召回和排序两个阶段,首先在召回层对数据进行预处理,将多种交互行为的隐式反馈转换为直观可量化的显式评分,然后构建用户与商品的评分矩阵,通过联合聚类,利用图模块最大化的理论将稀疏的矩阵分为多个低秩的评分子矩阵,并运用矩阵分解对每个低秩的评分子矩阵进行处理填充预测值。在矩阵分解阶段采用改进的非负矩阵分解,通过引入L1范数提高特征值选择能力,与L2范数防止模型过拟合,参数更新的方法采用坐标轴下降法。召回层算法旨在利用较少特征快速召回候选集,在候选集中利用较多的特征构建精准的推荐模型,因此在排序层利用特征工程提取用户和商品的特征向量,利用因子分解机的机器学习方法与深度神经网络构建特征与评分之间的潜在关系,其中,因子分解机提取低阶特征,深度神经网络提取高阶特征组合。最后,在候选集中完成排序功能,产生推荐结果。该模型集成了矩阵分解与因子分解机深度学习,利用了矩阵分解简单快速的特点,也充分考虑了基于深度学习的精准推荐,有助于提升推荐效果。本文使用Jdata算法大赛数据集,设计实验对所提出算法的准确性、覆盖率以及稳定性进行验证,并且与传统的基线算法做了推荐质量上的对比。实验结果显示,本文所提出的算法相较于基线算法在推荐质量及效率上有较大的提升,且算法支持对海量数据的处理,证明了所提算法的成效。