在推荐系统中，流式张量分解模型常被用于分析和处理高维流式数据，并向用户推荐可能感兴趣的商品。然而现有模型常常忽略对象特征之间的相关性，缺乏有效的先验建模，并且模型大多仅使用显式评分数据，忽略对隐式反馈信息的利用，导致模型精度下降。针对以上问题，提出一种结合隐式反馈与相关性建模的概率流式张量分解推荐模型(POSTFR)。POSTFR通过添加具有Lewandowski-Kurowicka-Joe(LKJ)先验的协方差矩阵建模对象间的相关性，并在其中加入隐式反馈信息以提高频繁出现的对象的权重，提高了模型的准确度。在多个真实数据集上，POSTFR比其他概率流式模型取得更好的效果。