随着信息时代的来临,人们所接触的信息呈爆炸式的增长。如何在海量商品信息中寻找满意的商品,已成为电子商务领域亟需解决的“信息过载”问题。推荐系统正是为了解决这类问题而提出的,能够快速为用户提供备选的商品推荐列表,以及对商品进行精准的评分预测。在个性化推荐系统中,用户兴趣建模发挥着核心作用,准确的获取用户兴趣是良好推荐的基础。本文主要研究用户兴趣动态变化规律,通过考虑用户动态社区构建、用户兴趣遗忘过程模拟,以及用户对知识的学习过程等,描述和刻画用户兴趣动态变化。研究内容分为以下三个方面:(1)基于时权重叠社区的个性化推荐算法。针对用户可能同时具有多种兴趣且兴趣是不断变化的,即用户的多兴趣和兴趣漂移现象,提出了一种基于时权重叠社区和时权关联规则的个性化推荐算法。该算法根据用户的共同购买记录和时权信息构建复杂网络结构,并改进了重叠社区划分方法,以提高整体算法的多样性;时权关联规则部分则引入了遗忘函数,描述用户的兴趣漂移,以提高推荐算法的准确性。实验结果表明,提出的算法在推荐准确性和多样性上均优于对比算法。(2)基于兴趣演化的用户模型构建及个性化推荐。借鉴心理学理论中的“耶基-多德森”定理和知识采纳理论中的个体吸收理论,构建用户兴趣演化模型,并通过领域划分技术和加权最小二乘回归方法优化演化曲线和演化方程,进而刻画兴趣演化的规律;再将兴趣演化的规律与推荐算法相结合,以进一步改善推荐算法性能。实验结果表明,所提基于用户兴趣演化的个性化推荐算法相比于经典的静态和动态推荐算法均表现出了更高的推荐准确性、更高的时间效率和更好的解释性,有效证明了用户兴趣演化规律。(3)基于兴趣漂移和兴趣演化的用户兴趣混合模型及推荐。同时考虑了兴趣遗忘和知识学习两种用户行为,将兴趣演化和兴趣漂移相结合,提出一种修正的用户兴趣激活-衰减函数,并根据该函数构造了新的兴趣漂移算法,将该兴趣漂移算法与兴趣演化算法相结合,构建了双重动态推荐模型,通过统计回归方法优化评分残差空间,更准确地捕捉了用户动态兴趣的波动。实验结果表明,双重动态的推荐算法相比于对比的其他动态算法在准确性上有着明显的提升。