推荐系统的本质是建立用户和项目的二元联系,把用户可能感兴趣的信息推送给他。通常通过挖掘用户的历史行为,对用户未来的行为进行预测来实现。作为解决信息过载的重要手段,传统的推荐算法一般经过以下三个步骤实现为用户推荐可能感兴趣的项目：获取用户行为历史记录、建立完善推荐模型、生成最终推荐结果。在推荐模型的建立过程中,传统方法往往忽视时间效应和用户的兴趣变化对推荐结果的影响,从而导致推荐结果不合理和不准确等问题。本文首先总结出对于绝大部分改进的推荐算法都有的一个固定模型范式。这个范式可以指导着我们的改进思路和目标。通过观察我们发现移动应用市场的真实数据中存在大量的批次下载行为,同一批次下载行为有着强烈的相关性,我们借由层次聚类的方法量化了批次间的时间间隔。提出一种基于时间效应的改进协同过滤推荐算法,并有如下改进：1.使用正反索引表改进传统协同过滤算法计算性能；2.通过引入反映人们兴趣迁移的时间热度衰减函数提高推荐的准确性。通过实际的移动应用市场的数据进行实验,将基于时间效应的改进协同过滤推荐算法和传统的协同过滤算法比较,实验验证了增加时间效应后,推荐准确性得到了提升。提出一种基于时间热度衰减的随机游走推荐算法,并有如下改进：1.使用矩阵计算优化方法对传统的随机游走算法运行效率上进行改进；2.考虑用户兴趣的变化,在传统随机游走算法的基础上引入反映人们兴趣迁移的时间热度衰减函数。对比实验结果表明,该算法在推荐准确度和计算效率上都有很大的提高。