面对海量的信息资源,想快速获取自身需要的信息往往要花费大量时间。推荐系统结合了用户的行为信息和自身的兴趣特点,直接向用户推荐可能感兴趣的信息,节省了筛选信息的时间,可以较好地解决信息过载问题。但目前推荐领域存在着冷启动、数据稀疏、推荐准确度低、扩展性较差等问题。传统的基于内容的推荐算法往往具有较低的准确性,而协同过滤推荐算法中普遍存在数据稀疏性和项目冷启动问题。为解决上述问题,提出了一种融合内容与协同矩阵分解技术的混合推荐算法。本文算法实现了在共同的低维空间中分解内容和协同矩阵,计算用户偏好相似性并形成权重矩阵,同时保留数据的局部结构。在内容方面利用一种加权技术来度量词汇在文本中的重要程度。在参数优化方面利用一种基于乘法更新规则的迭代方法,以此提高学习能力。在目标优化函数中,利用超参数控制各个部分的重要程度,以达到最优解。最后采用真实数据集对该算法进行验证与分析。实验结果表明,该算法的两个评价指标在数值上均有不同程度的提高,优于其他具有代表性的项目冷启动推荐算法,证明该算法有效解决了项目冷启动问题,缓解了数据稀疏性,提高了推荐准确度。该论文有图19幅,表4个,参考文献54篇。