为了解决传统协同过滤算法针对数据稀疏,特别是冷启动等一系列问题时,无法准确地计算出用户与用户、物品与物品之间的相似度,进而无法精准地为用户推荐相应物品的难题,结合基于近邻的协同过滤算法及基于模型协同过滤算法的优势,提出了一种基于矩阵分解的推荐模型。该模型使用基于模型的协同过滤,以矩阵分解为基础,同时融入其他辅助信息,以期优化矩阵分解的效果,从而进行更精准的评分预测。基于传统矩阵分解算法,在已有的推荐模型中,首先基于用户属性与项目属性信息进行相似度计算,构建评分矩阵,进行用户的初始评分预测;然后融合用户对项目属性的喜好构建用户兴趣矩阵,同时以用户属性信息、项目属性信息作为辅助,融入到新的矩阵分解模型中,进行冷启动用户的评分预测。与传统的个性化推荐模型相比,新模型有着更好的推荐准确性。通过仿真实验,也证实了这个推荐模型对于冷启动问题有一定程度的缓解,准确性也有所提升。同时,在模型可扩展性等方面,也取得了较好的效果。