推荐系统为用户提供个性化的产品或服务建议。这些系统通常依赖于协同过滤(CF)，通过分析过去的事务来建立用户和产品之间的关联。比较成功的CF方法有两种，一种是直接描述用户和产品的潜在因子模型，另一种是分析产品或用户之间相似性的邻域模型。在本文中，我们对这两种方法进行了一些创新。因子和邻域模型现在可以顺利合并，从而建立一个更准确的组合模型。通过扩展模型，利用用户的显式和隐式反馈，进一步提高了准确性。这些方法在Netflix数据上进行了测试。结果比以前在该数据集上发布的结果要好。此外，我们还提出了一个新的评估指标，它根据方法在top-K推荐任务中的表现来突出方法之间的差异。