互联网的飞速发展使人们仿佛置身于信息的海洋，信息超载已经成为了人们不容忽视的问题。由于推荐系统能在一定程度上有效解决信息超载的问题，因而我们在电子商务、新闻、音乐、电影视频、社交网络、个性化广告等各大领域中都能看到推荐系统的身影。推荐系统技术在工业界获得了巨大的成功，同时也吸引了学术界众多学者的广泛关注。　　矩阵分解是近些年来推荐系统领域中应用最多也是效果最好的技术之一，但矩阵分解的传统模型仍然还有一些局限和不足，例如正则化参数的取值难以抉择、预测评分可能越界等问题。为了克服这些缺陷，本文针对矩阵分解的传统模型MFviaUCSTR进行了相应的研究和改进。　　本文首先用待优化变量的界约束取代矩阵分解传统模型中的正则化项，提出了基于有约束优化问题的改进模型MFviaCSTR。MFviaCSTR不仅避免了正则化参数的选值难题，而且其预测评分也不会出现越界现象。其次结合梯度下降算法与可行方向法，提出了MFviaCSTR的求解算法。进一步地，通过与传统模型MFviaUCSTR的对比实验，说明了MFviaCSTR的可行性和优越性。　　本文还将改进模型MFviaCSTR应用到了大数据背景下的推荐系统预测评分问题。在随机梯度下降算法的基础上，通过结合可行方向法以及考虑不同的选择样本策略和误差函数，设计了三种针对改进模型的求解算法方案及框架——SGD_FDM、SGD_HSSS和SGD_EFSCR。最后，本文利用具体的推荐系统标准数据集进行实验，分别从预测准确度、时间效率等方面综合比较和分析了几种求解方案的性能，表明了改进模型MFviaCSTR对于大数据规模下的评分预测问题是可行的，并且方案SGD_EFSCR在所有方案中表现出了最佳的预测性能。