随着大数据时代的来临,信息过载问题日益严重。推荐技术作为一种信息过滤的重要手段,是当前解决信息过载问题的重要方法之一。协同过滤推荐技术因其无需进行内容分析、共享用户的经验信息等优点,成为推荐系统中应用最早、最广泛和最为成功的技术之一,然而,现有的协同过滤技术在性能上仍存在进一步改进空间。在这样的背景下,本文对协同过滤推荐技术展开进一步研究。首先,针对邻居模型、隐因子模型和混合模型三种典型协同过滤模型收敛速度缓慢的问题,提出了一种高斯迭代算法。通过改变模型的目标函数,使得模型能够自适应地调整迭代计算过程中的梯度大小。为了验证高斯迭代算法的有效性,本文将该算法应用到协同过滤技术的上述主流模型,并在公开数据集上进行仿真实验。实验结果表明,基于高斯迭代算法的协同过滤模型能够有效地减少模型的收敛次数,减少模型训练的时间。其次,本文就协同过滤推荐技术存在的数据稀疏性问题和冷启动问题,针对典型的隐因子模型估计误差过大的局限性,提出一种基于时间场景的新型隐因子模型,以提高模型的预测精度。新模型基于用户的评分时间,把用户和物品的特征因子分解为具体时间节点因子。本文在公开数据集上对新模型进行了实验验证。实验结果表明,新模型在极其稀疏的数据集上也能展现良好的预测效果。