随着互联网内容信息的快速发展,个性化推荐系统逐渐成为解决信息过载的重要工具。随着网络上用户和物品的快速增长,常见的进行全局推荐建模的方法不仅在训练和存储上将面对更大的开销,也要面对大规模数据带来的稀疏性和噪声干扰。本文研究如何通过将全局数据拆分成多个用户和物品构成的局部群组,进行局部建模和计算,再融合局部计算结果得到全局推荐结果。基于这种局部建模与全局融合的思路,本文对推荐系统中的评分预测任务和Top-K推荐任务进行了深入研究,提出了以下三种模型:（1）基于特征偏移度量构建局部矩阵的评分预测算法FDLMA。FDLMA通过先选择锚点,再为锚点选择邻域来构建局部用户-物品矩阵。首先提出了一种基于代表度的锚点选择算法,选择了自身密度较大,且距离较远的一批（用户,物品）对作为锚点。提出采用特征偏移来计算用户之间或物体之间的距离,从而构建内部兴趣更为集中的局部矩阵。（2）基于矩阵解构与重构的评分预测算法DRMA。DRMA通过矩阵解构-局部矩阵近似-矩阵重构的三个阶段对评分矩阵中的空缺值进行预测。在矩阵解构阶段,针对现有构建局部群组要先训练用户和物品的特征向量再进行距离计算的问题,DRMA另辟蹊径,从用户-物品二分图的角度提出了基于两阶段随机游走的方法构建了局部矩阵。在局部矩阵近似与矩阵重构阶段,DRMA提出根据不同局部矩阵的数据分布实现局部模型的差异化训练和融合。（3）提出局部排序与全局融合的Top-K推荐算法LRGF。LRGF首先提出一种成对差距感知的贝叶斯排序算法pgBPR,将用户对成对物品的偏好差距融入排序学习中。局部排序阶段,在每个局部群组利用pgBPR直接生成局部推荐列表;全局融合阶段,提出一种基于群组感知和排序得分的决策融合策略,直接融合局部列表得到全局推荐列表。为了验证本文提出三个模型的有效性,分别在多个真实世界数据集上进行实验,并与其他推荐模型进行对比。实验结果表明,本文提出三个模型均能实现优秀的推荐效果。其中FDLMA和DRMA算法对用户评分的预测误差不仅要小于经典的全局矩阵分解模型,也要小于其他的局部建模方法;LRGF算法生成的推荐列表,其排序和命中结果在绝大多数情况下也要优于其他对比算法。