针对变形的奇异值分解（SVD++）算法的评分规则在模型训练和预测两个阶段的不一致问题和列表级矩阵因子分解（ListRank-MF）算法的Top-1排序概率在大量物品评分一样时排序概率一样的问题，提出一种结合物品流行度的列表级矩阵因子分解算法。首先，在评分规则中使用到的用户有过行为的物品集合中去除当前待评分物品；接着结合物品流行度改进Top-1排序概率；然后使用随机梯度下降算法求解目标函数并进行Top- N推荐。基于修正的SVD++评分规则，在MovieLens和Netflix数据集上比较了所提算法与目标函数为点级和列表级的SVD++算法。所提算法与列表级的SVD++算法相比，Top- N推荐准确率指标归一化折损累积增益（NDCG）值在MovieLens数据集上提高了5%~8%，在Netflix数据集上提高了1%左右。实验结果表明，所提算法能够有效提高Top- N推荐准确率。