随着互联网的快速发展,我们已经进入“大数据”时代,每日产生的海量数据也让人们面临严峻的“信息过载”问题。推荐系统可以对用户进行个性化推荐,给用户带来方便与使用体验。因此,对于推荐系统的研究十分具有意义与价值。协同过滤算法作为主流的推荐算法之一,可以通过对用户与物品之间交互的行为信息进行相似度计算找出用户或者物品间的关系再进行推荐。但是传统的相似性度量公式例如余弦相似性度量只能结合用户或者物品的共同评分计算,无法充分的使用全部的评分信息。现实世界中数据集非常稀疏,传统的相似性度量公式会导致相似度计算不准确,从而影响推荐系统的准确率。同时,传统的协同过滤推荐算法在进行推荐时没有考虑到用户的兴趣,无法针对用户的兴趣进行个性化推荐,从而影响最终推荐效果。针对稀疏数据集下相似度计算不准确问题与传统协同过滤算法没有考虑到用户兴趣变化的问题,本文提出面向用户兴趣变化的协同过滤推荐算法。本文主要创新点包括以下几个部分:（1）提出了一种结合物品评分时序关系的混合相似性度量算法,本算法考虑到了物品的评分时序趋势,充分发掘用户评分物品的时间信息。同时将物品评分时序关系与共同用户评分相结合,相比于传统相似性度量算法能充分使用所有用户的评分信息。（2）提出一种面向用户兴趣变化的协同过滤推荐算法UICF,从时间上下文与物品属性特征两个方面考虑对用户兴趣的影响。结合TF-IDF理论构建用户兴趣模型,同时引入艾宾浩斯理论来模拟用户兴趣的衰减趋势,提出用户长短期兴趣衰减模型。（3）在本文提出的UICF算法基础上研发一套能针对用户兴趣进行个性化推荐的电影推荐平台。该平台从需求分析、系统设计、数据库设计等方面进行研发并实现,同时融合本文提出的UICF算法,可以针对用户的兴趣进行个性化推荐。本文通过在Movielens-100k数据集上实验分析,相比于其它相似性度量算法,本文提出的混合相似性度量算法能够更准确地计算物品之间的相似度。随后,在提出的混合相似性度量算法上考虑到了用户兴趣对于推荐效果的影响。在最终推荐时,充分的考虑到了用户的兴趣变化。通过与其它推荐算法对比,本文提出的UICF算法有着更高的推荐准确度。