随着互联网的快速增长以及大量内容给用户所带来的选择的困难,推荐系统被开发出来以优化用户的决策过程。在近十年中,推荐系统被证明是一种很好的处理数据过载的途径。无论是在术上还是工业界中都被广泛研究和应用。推荐系统在精准互联网服务中扮演一个重要角色,极大的提高了信息检索的效率和提高了个性化服务质量。推荐系统主要为个人或特定群体提供个性化服务。为了提供自然的推荐服务,我们必须对用户的偏好以及他们的行为模式有足够的了解。了解用户偏好对推荐系统的优化至关重要。作为用户品味的反馈,评分可以直接反映给定用户对给定产品的偏好。因此,揭示用户评分的潜在组成部分对于学习用户兴趣非常重要。另一方面,客户忠诚度对互联网服务至关重要,因为保留服务的用户对增加收入意义重大。顾客忠诚度可以反映在顾客在网站的停留情况或返回情况。在本文中,为了更好地捕捉用户的偏好,我们通过调查用户评分的潜在组成部分,提出了一种新的推荐方法。我们假设个人用户对项目的评估是多标准的,而在推荐系统中,他们的评分由多个潜在组件组成,我们通过代价敏感的学习策略来发现这些潜在组件。具体而言,每个评分被分配到多个潜在因子模型中,然后累积评分在每个模型上的更新误差。这些累积预测误差被用来将评分分解为几个独立的组成部分以进一步重新训练潜在因素模型。最后,我们通过线性组合每个子潜在因子模型来估计用户的预测评级。另外,为了深入了解用户的行为,我们利用用户丰富的交互数据来构建针对用户对产品的返回时间的回归评估模型,由于用户停留时间的长短反映了推荐服务的粘度及其对用户的影响。该模型基于Cox比例危险模型,基于危害的模型为用户保留的动态提供了好处,并且可以方便地将协变量纳入模型中。我们通过概率方法共同建模多个影响用户购买的因素,即用户与产品之间的一致性,用户对价格的敏感性以及用户可能接受的外部影响。最后,在多个真实数据上的广泛实验证明了我们提出的算法的优越性。