众所周知,使用机器学习方法的推荐系统已经成了数据挖掘领域下最具有活力的子领域之一,同时也被广泛应用于电子商务等领域。一个有效的推荐系统可以很大幅度的提升一家公司的销售量。有关消费者行为心理学的研究表明,当消费者在做购物决策时,有两类决策规则,分别是补偿（Compensatory）规则和非补偿（Non-Compensatory）规则。现有的模型大多是假设消费者采用补偿规则,也就是基于商品不同方面进行加权或求和来计算得分,进一步得出商品的评分或排序。然而,有关消费者行为学的诸多文献表明,消费者在做购物决策时,采用非补偿规则多于补偿规则。本文主要研究推荐模型中基于非补偿决策机制的推荐技术以及推导出的模型。首先,基于非补偿的决策规则,本文对用户如何在推荐系统中采用非补偿规则进行建模,并提出一系列非补偿模型框架。同时将其应用于各种现有的推荐系统中,包括评分预测模型和排序模型,在各种标准数据集上的实验证实了采用非补偿规则可以有效提高不同模型的推荐性能。进一步的,在上述提出的非补偿模型基础上,为充分发掘隐反馈中包含的用户偏好信息,本文引入正隐反馈的强度优化基于非补偿决策的消费预测算法并受负反馈不确定性的启发提出一个简化算法,同时提出了利用隐反馈的先后顺序基于序数效用的预测策略。最后,在标准数据集上的实验证实了本文提出的改进算法能有效提升推荐效果。