互联网的迅速发展为人们生活带来便利,然而迅速增长的信息也让人们无所适从,想要从海量信息中发现对自己有用的信息需要花费大量时间成本。搜索引擎可以帮助人们快速检索需要的信息,但是很多情况下用户对信息了解不够很难选择合适的搜索关键字。推荐系统的出现改变了这一现状,推荐系统根据用户历史数据,利用各种推荐算法计算用户偏好,主动向用户推送可能感兴趣的信息和商品,有效减少了用户搜索成本,带来更好的用户体验。协同过滤是目前推荐系统中使用最多的推荐算法,它根据用户的历史评分记录寻找相似的用户或者相似的物品,用这些临近用户或物品来预测用户评分。尽管协同过滤取得了很大成功,但是仍然面临诸多问题,例如冷启动、数据稀疏性、用户兴趣变化等。本文总结了推荐系统中常见的动态性因素,并阐述了已有解决动态性的方案。最后借鉴已有解决方案的思路成功解决了概率隐语义协同推荐算法无法处理用户兴趣变化的问题。概率隐语义算法是一种基于语义的协同推荐算法,通过构造一个隐含变量来将用户兴趣和物品属性映射到隐变量空间,计算各隐变量类别对物品的评分偏好,和用户属于各类别的概率,加权求和得到预测评分。传统的概率隐语义推荐算法无法处理用户兴趣变化的问题,本论文利用评分时间窗将长期兴趣和短期兴趣分开建模。长期兴趣通过隐语义算法直接得到,短期兴趣通过保存一个用户近期评分物品窗口来近似计算,最后将长期、短期兴趣融合。通过实验证明改进的概率隐语义算法能有效处理用户兴趣变化,获得更高的推荐准确率。