自互联网中的信息海量化以来,信息超负荷已经是所有网民即将或已经遇到的问题,而相关性是解决信息超负荷问题众多方法中的一种主流方法。个性化推荐在电子商务网站也逐渐凸显出其重要的作用。该技术在发现用户潜在需求的基础上,将不相关的信息或者项目过滤掉,最后主动向用户推荐满足其需求的项目,以达到缓解信息过载的目的。本文在以用户—项目评分矩阵为主要甚至唯一的数据信息基础的概率矩阵分解模型PMF中融入用户与好友的社会信任关系,将好友对用户的影响线性聚合起来,得到即考虑用户自身兴趣又考虑好友兴趣对其产生的影响的用户潜在特征向量,对由矩阵分解得到的用户潜在特征向量进行约束,同时会利用一个参数限制该约束的程度。并考虑项目的评论文本信息也能在一定程度上反映项目的属性,因此利用LDA模型处理评论文本信息得到项目的主题分布向量。再利用指数函数将矩阵分解得到的项目潜在特征向量映射到主题分布向量上来,对由矩阵分解得到的项目潜在特征向量产生约束,最后提出基于用户反馈信息与用户信任度的商品推荐模型(MRM)。实验中,采用梯度下降的方法对后验概率进行最大化,并同时优化用户潜在特征向量、项目潜在特征向量以及主题分布向量,得到最终的主题分布矩阵、用户潜在特征矩阵和项目潜在特征矩阵,最终获得用户的预测评分。本文在Yelp评论网站真实数据上进行实验,本混合模型在典型的衡量推荐准确度标准MAE和RMSE上分别提升了9.7%和8.7%,实验结果显示基于用户反馈信息与用户信任度的商品推荐模型的推荐结果优于概率矩阵推荐算法,并验证了该混合推荐模型在缓解数据稀疏性问题上的有效性。