基于隐性反馈的协同推荐通过用户的隐性反馈行为去构造用户的喜好模型以改善推荐系统的用户体验,其主要存在以下问题：1)数据极度稀疏。单一用户在某一领域内一般只在个别物品上产生行为,这样导致不同用户间的共同作用物品较少。2)没有反例。在隐性反馈中,通常只有用户有过行为的数据被标记为正例,而未知值是正例与反例的混合,这样反例就难以确定。3)无法反映用户喜好。隐性反馈中用户对物品没有过行为并不代表用户不喜欢,也有可能是用户不知道该物品。为了解决上述问题,本文在前人工作的基础上,提出了基于因子机的隐性反馈协同过滤和基于二阶段策略的单类协同过滤。本文的主要工作如下：(1)针对稀疏性问题,本文通过使用因子机模型,将用户的属性信息和物品的内容信息作为上下文信息,与用户的行为信息一起进行模型训练。(2)针对没有反例问题,本文首先使用基于用户活跃度的随机方法选取反例,然后在此基础上提出了基于矩阵分解的样本选取方法。实验结果表明,本文提出的方法,选取的样本更准确。(3)针对无法反映用户喜好问题,本文首先对所有的反例采取统一加权的方式,然后提出了基于用户自排序的加权方法。实验结果表明,本文提出的方法,更能体现用户的个性化特征。