近年来随着互联网的普及,“流媒体”时代到来,推荐系统技术备受各大互联网公司的广泛关注和研究。特别是被抖音、快手、instagram以及Netflix等这些大公司或App所应用,每天不断的推送“短视频”或资讯给各类不同的用户。然而面临互联网每天产生的海量数据,如何有效且优质的推送信息是各大公司面临的一个重要问题,同时也是无数研究者的热门研究课题。在众多推荐系统中,矩阵分解是推荐系统中一种广泛使用的协同过滤方法之一,其思想和数学原理简单易操作,受到广大研究者的青睐。但是,现有研究大都假设数据是完全观测的、没有缺失的情况。在实际应用中,人们常常会遇到数据缺失的情况。在类似Movie Lens电影评分的公开数据集中,数据缺失有时高达95%以上,若不考虑缺失数据的有关信息,事必导致推荐无效。尽管近年来这一问题引起了很多专家学者的广泛关注,但仍存在处理缺失数据需要假设机制,且模型解释性说服力欠佳等问题。因此,为了解决这些问题,本论文从矩阵分解的角度,利用神经网络自编码器提取item特征信息和user特征信息的方式提出了利用特征信息边学习边插补的方法。本文假设线性模型的方法更加简单直接且高效,同时边学习边插补的方法效率和解释性良好,本论文的主要创新工作包括:1.在推荐系统建模中考虑数据缺失问题对模型既有实际意义也提高了推荐精确性。2.利用item和user特征信息对潜变量进行边学习边插补,缓解了数据缺失对推荐系统效果的影响,同时推荐结果可解释性得到了提高。3.本文对不同缺失率下模型表现能力进行了模拟,论证了不同缺失率对模型的影响效果。得到了如下三点重要结论:1.考虑缺失数据对提高模型准确性具有一定帮助,且不考虑缺失数据问题即不符合实际推荐场景也无利于模型效果提升;2.使用item和user自身的信息进行特征提取插补潜变量具有良好的解释性;3.通过模拟研究可以发现不同缺失率对模型效果具有显著影响,这在以后的建模中具有指导意义。