随着信息技术的飞速发展,人们从信息匮乏时代过渡到了信息过载时代,用户很难从海量的数据中找到自己感兴趣或对自己有价值的信息。推荐系统是应对信息过载问题的一个有效的解决办法。当前,基于模型的推荐算法是推荐系统研究领域的热点方向,具有推荐精度高、善于发现用户新的兴趣点、可扩展性好等优点。但是,基于模型的推荐算法仍然存在的一些问题。第一,忽略时间因素对推荐系统的影响。传统的推荐模型是静态的,忽略了时间因素,部分推荐算法虽然将时间因素考虑在内,但只是使用最近的数据或者给过去的数据降低权重,这样可能会造成有用信息的丢失。第二,优化目标与推荐系统目标不一致。推荐系统的最终目的是对用户形成推荐项目序列,传统的基于模型的推荐算法先预测用户对项目的评分,然后依据评分生成推荐序列。这些推荐算法的重点是评分预测,可是能很好地预测评分不一定能很好地进行项目推荐。本文针对这两个问题,在现有的研究工作的基础上进行了改进,提出了两种改进的推荐算法。针对第一个问题,本文提出了一种改进的基于时间的局部低秩张量分解推荐算法。该推荐算法在传统的推荐算法的基础上,考虑时间因素,把评分矩阵看作是用户、项目、时间三个维度的张量,将传统的推荐算法延伸到张量领域。针对第二个问题,本文提出了进一步的改进算法局部低秩张量分解排名推荐算法。首先,为了提高排名推荐效果,该算法选择直接优化排名评价指标倒数排名函数均值(Mean Reciprocal Rank,MRR);其次,为了能够充分利用数据集合中的信息,该算法修改该评价指标使其适合显式反馈数据集合；然后,为了能够使用标准最优化方法对修改后的评价指标进行优化操作,该算法对其进行平滑化操作；接着,为了简化优化操作的过程,该算法求出平滑化后的评价指标的下界；最后,该算法将该评价指标的下界作为目标函数,使用随机梯度上升法对其进行优化操作。实验表明,这两种推荐算法都能提高排名推荐效果。