随着电子商务的发展,推荐系统成为辅助用户挑选商品的工具。同时,推荐系统在海量的商品中准确地为用户推荐其感兴趣的商品变得越来越困难。传统推荐方法依赖用户对物品的打分数据进行推荐,然而在电子商务场景下这种显式反馈数据难以获取,用户对物品点击或购买的隐式反馈数据逐渐成为关注的焦点。目前,单分类协同过滤模型适用于处理隐式反馈数据,但仍存在用户冷启动的问题,并且无法有效区分隐式反馈数据中的正例和负例。针对以上的问题,本文使用用户的分层结构信息作为辅助信息,根据用户的自主选择和内在属性分别将分层结构划分为显性分层结构和隐性分层结构,与单分类协同过滤模型结合,提出了基于用户显性分层结构的单分类协同过滤方法(UHS_OCCF)和基于用户隐性分层结构的单分类协同过滤方法(WUHS_OCCF)。在公开的Mypersonality数据集上进行验证,使用数据集中的用户群组和人格信息分别构建用户显性和隐性分层结构。实验结果表明,本文提出的两个基于用户分层结构的方法可以有效提高推荐精度,缓解了冷启动带来的问题。