如何缓解数据稀疏性是推荐系统研究领域备受瞩目的问题之一，其目的是通过挖掘、融入异构的多元影响因素来拟合用户的隐藏偏好。现有推荐算法往往只关注单一的地理因素，容易忽视社交、时间、流行度等其他显著因素，使得推荐结果头部效应明显。为此，提出一种基于多元偏好信息的加权矩阵分解推荐算法WMF-MP。该算法使用拉普拉斯核函数来评估地理相关性，引入时间衰减因子来模拟位置热度变化，设计可信度矩阵来去除用户社交信息中的噪声，并设置权重矩阵来增加推荐结果的多样性。在真实数据集Gowalla上进行实验，发现WMF-MP算法的精确率相较3个比较算法平均提高9%，召回率平均提高2%，验证了其有效性。
