随着互联网的快速发展,信息以指数爆炸式增长。面对如此庞大的数据,在数据的海洋中,想要找到自己真正感兴趣的内容,却存在着一定问题。个性化推荐系统的诞生正是继基于关键字搜索的搜索引擎信息检索技术之后,另一种解决信息过载问题的有效解决方案。它通过挖掘用户的兴趣偏好,提供个性化的信息服务,具有更强的针对性,提高用户的体验。传统的协同过滤算法作为推荐系统的核心算法,原理易于理解,也取得了巨大的商业成功,但仍然存在一些问题:1)缺乏对时间效应所带来的用户兴趣变化的考虑,不能适应用户兴趣的变化;2)没有考虑用户的参与度因素,占比因子;3)数据存在的稀疏性问题。这些问题都制约了推荐算法的准确率,因此本文基于以上几个问题对传统的协同过滤算法进行改进。本文将时间效应作为一个重要的影响因素引入到推荐算法的相似度计算过程中,对评分时间较近、年龄相仿的用户相似度将赋予更多的权重,使得同一时间段的兴趣相近的用户的参考意义更大,更加准确地确定最近邻集合的用户。另外将用户的隐式反馈信息包括用户参与度、用户评分项目占比因子相融合,作为一个重要的用户属性影响因子,加入到相似度计算中,加强了用户属性影响因子高的近邻影响力。实验表明,改进后的推荐算法能够提高推荐的准确率。此外,由于数据稀疏性普遍存在,在引入了时间效应之后,数据的稀疏性更加明显。为了缓解数据稀疏性的带来的问题,本文利用了基于物品属性信息的用户评分信息和时间效应,对评分矩阵进行扩展。以此丰富了数据源,从属性的维度挖掘用户的兴趣偏好,计算用户之间的相似度。最后,本文将上述两种改进的计算相似度方法进行线性融合,通过设计实验确定参数的选取。实验结果表明,融合了时间效应和属性信息的推荐算法能够提高推荐的准确率。