协同过滤技术作为迄今为止应用最成功的推荐技术之一,得到了研究者广泛的关注,成为推荐领域重点研究的内容。本文对协同过滤推荐技术进行了有益的探索和研究,针对协同过滤的缺陷,引入了时间遗忘函数、用户偏好度和用户特征,提出了基于用户特征和兴趣变化的协同过滤算法,将用户兴趣、时间效应、用户对项目偏好程度以及用户的特征有机的结合起来,并对基于用户的协同过滤算法进行了改进。论文完成的主要工作包括:①对推荐系统进行了较深入的研究,包括概念、研究内容和组成,并详细分析了各种推荐技术,比较了各种推荐技术的优势和不足,以及现有的典型推荐系统实例的特征。在此基础之上,重点研究了推荐领域的主流技术-协同过滤技术,对协同过滤算法做了全面而详细的分析。②考虑到用户兴趣度的动态变化问题,借鉴人类的遗忘规律,引入了时间遗忘函数,在当前研究成果基础上,提出了改进的非线性遗忘函数,对每个观测到的用户兴趣特征,根据其出现的时间顺序不同赋予不同权值,按时间t对项目评分进行不同速度的衰减,改变不同时间内评分对推荐结果的贡献度。③考虑到项目属性对相似性的影响,提出了项目属性相似性的概念,把项目本身的因素考虑进来,项目之间的相似性不再仅仅取决于用户对商品项目的评分,综合项目属性和用户评分两方面的因素,来度量项目之间的相似性。④考虑到不同的项目对用户来具有不同的价值、用户和项目两者间所具有的内在联系,提出了用户偏好度的概念,在计算最近邻时,不再把所有项目等同对待,而是按照用户对项目的不同偏好度赋予不同权值。⑤分析了用户特征对推荐过程的参考价值,在推荐过程中,合理引入了用户特征信息,其是对最近邻居模型的扩展。对比实验结果表明:引入用户特征信息后推荐质量得到改善,一定程度上解决了电子商务网站的新用户问题。⑥使用MovieLens站点提供的数据集对基于用户特征和兴趣变化的协同过滤算法进行测试,并从多个方面与其他算法进行了比较,验证了改进算法的合理性和有效性。