互联网上的信息量每天都在爆发性的增长,这使得信息过载问题不断加重。个性化推荐技术作为解决信息过载问题的重要手段也正在不断得到人们的重用。个性化推荐技术的研究热点是推荐算法,推荐算法主要有基于内容的推荐算法、基于关联规则的推荐算法以及基于协同过滤的推荐算法。隐语义模型(Latent Factor Model)是一种协同过滤算法,本文使用隐语义模型作为核心算法,通过对该模型进行针对性的优化,提高隐语义模型的推荐准确率。考虑到影响推荐算法准确率的最重要因素是算法得到的信息不足,针对如何向推荐算法提供更多信息,从而提高推荐算法的准确率,本文主要完成三个方面的工作。在隐式信息提取方面,提出了三种隐式信息的提取方案,分别是正负反馈行为的重定义、标签信息附加项以及时间效应权重。并在隐语义模型实现的三个阶段:数据准备阶段、模型训练阶段以及预测评分阶段中,以不同的参数形式加入了三种隐式信息。在用户聚类方面,使用了 DBSCAN算法进行聚类,提取相似用户的行为信息,将其加入到模型中,对推荐的结果进行优化。在信息补充和优化推荐方面,使用隐语义模型与基于用户的协同过滤和基于图的推荐算法相结合形成混合推荐算法,并将其他推荐算法提取的信息加入到最终推荐结果中,达到信息补充和优化推荐结果的目的。最后通过与原始隐语义模型进行对比实验,证明本文的方法取得的推荐结果要更优。