在实际系统中，信息呈爆炸式的增长，用户迫切希望在大量信息中找到感兴趣的物品或服务，构建推荐系统能够帮助用户解决这一问题。推荐系统稀疏性问题，是指大量用户只浏览了很少的物品，冷启动问题是新用户或新项目没有历史记录，系统难以推荐。矩阵分解和稀疏线性模型能把评分矩阵分解为用户、项目潜在因子矩阵。针对稀疏性问题，研究了矩阵分解和稀疏线性模型，对模型求解算法做了详细推导和实验验证，并提出了信任稀疏线性模型。针对冷启动问题，提出多属性内容过滤算法，对多属性结合问题做了研究与改进，具体研究内容如下：（1）研究了矩阵分解模型，并结合了用户隐式评分以及基于用户信任上下文的矩阵模型，采用梯度下降法避免了数据稀疏性问题。（2）研究了稀疏线性模型，这种特殊的矩阵分解模型， R RW，可解释性、复杂性都优于矩阵分解模型，详细推导了坐标下降法求解模型参数，给出了求解算法，并引入信任影响因子，提出信任稀疏线性模型，实验验证可有效topN推荐，准确性和召回率都有效提高。（3）深入研究了多属性内容过滤算法，定义了项目的年龄概率评分，代表项目受不同年龄段用户喜爱程度，针对多属性难以结合的问题，提出了比较与标准化实际评分误差大小选择属性进行预测问题，并进一步使用支持向量机回归拟合用户多属性概率评分，通过仿真实验，验证了方法的有效性。（4）探讨了潜在因子和多属性内容过滤推荐算法的混合策略。