在推荐系统中，基于矩阵分解的推荐算法是目前的研究热点之一，然而普通矩阵分解算法的推荐精确度偏低，为了改善该问题，以矩阵分解算法中的潜在因子模型（LFM）优化为研究对象，分析LFM中两种基础推荐算法在寻优速率与推荐精度上的不足，然后提出两种改进算法：带冲量的批量学习算法和混合学习算法，最后通过实验数据测试，对比了不同算法的推荐效果，结果证明改进算法的性能更优。