分解机模型已经被成功应用于上下文推荐系统中。在分解机模型的学习算法中，交替最小二乘法是一种固定其他参数只求单一参数最优值的学习算法，其参数数目影响计算复杂度。然而当特征数目很大时，参数数目随着特征数目幂次方增加，导致计算复杂度很高；即使有些参数已经达到了最优值，每次迭代仍更新所有的参数。本文主要改进了交替最小二乘法的参数更新策略，为参数引入自适应误差指标，通过权重和参数绝对误差共同决定该参数更新与否，使得每次迭代重点更新最近两次迭代取值变化较大的参数上。这种仅更新自适应误差大于阈值的参数的策略，不但减少了需要更新的参数数目，进而加快算法收敛的速度和缩短了运行时间，而且参数权重由误差决定，又了修正误差。在Yahoo和Movielens数据集上的实验结果证明了改进的参数更新策略运行效率提高了20％左右。