近来,推荐系统是一个非常热门的研究课题,推荐系统所处理的评分数据都是非常稀疏的。大多数推荐系统模型假定评分的缺失是随机的,然而这并不能很好地反映实际情况,这往往会造成推荐模型学习的偏差,降低推荐模型的推荐效果。本文中考虑用户的评分缺失机制,通过实证检验用户的评分行为,而后根据所得到的用户评分行为特点纠正推荐系统的偏差,再利用MNAR模型框架设计新的推荐系统模型,进一步提升推荐效果。首先,在大规模的真实推荐系统数据集上验证了沉默螺旋理论。实证实验展示了沉默螺旋的过程,少数意见持有者比多数意见持有者给出评分的意愿更低;随着多数意见的增强,多数意见持有者评分的意愿也随之增强,而少数意见持有者评分的意愿则越来越低,直至沉默。为了验证沉默螺旋理论,在用户明确提供评分意愿和没有明确提供评分意愿这两种不同的情况下,提出相应的方法,验证沉默螺旋的存在。进一步,探索了沉默螺旋形成的影响因素,诸如用户评估的意见气候和hardcore人格。其次,将实证实验中得到的发现,嵌入到推荐模型当中,提出了新颖的模型,假设用户评分的意愿取决于用户的评分与用户所感知的意见气候之间的差异。从社区、意见领袖、hardcore人格以及项目兴趣度四个方面进行模型构建,提高推荐表现。最后,在真实推荐系统数据集上对模型进行实验,根据与其他推荐模型的比较结果,验证模型的有效性。