近年来，随着计算机与Internet的流行，电子商务的发展突飞猛进，人们在网上购物越来越方便，网上交易在很大程度上缓解了人们的购物需求，但是信息超载问题日益困扰着广大客户，面对网上商店陈列出的琳琅满目、种类繁多的商品，如何让用户快速寻找到适合自己的商品，是现代电子商务站点迫切需要实现的目标。个性化推荐系统就是在这种情况下发展起来的，它可以向用户提供让他们满意的个性化推荐，具有良好的现实意义和商业前景，已经成为一种新的应用技术，在各种商业环境中发挥出越来越大的作用。本文研究了个性化推荐系统以及目前主要的几种推荐技术，特别是协同过滤技术，其中包括基于用户的协同过滤技术和基于项目的协同过滤技术。协同过滤技术由于其良好的算法思想和优秀的推荐结果，在电子商务环境中获得极大的好评和广泛的应用。但是随着用户数及项目数呈级数增加，其站点结构、内容越来越复杂，协同过滤算法在应用中也遇到了数据稀疏性、实时性、可扩展性、冷启动等急待解决的问题。本文针对传统协同过滤当用户兴趣改变时，无法给用户提供满意推荐的情况，分析了其产生的根源，提出了一种基于用户兴趣变化的协同过滤改进算法。该算法充分考虑了用户评分重要性会随时间衰减的情况，首先使用用户特征对用户进行聚类，再利用用户的评分数据和遗忘函数计算目标用户与同一类簇中其它用户之间的评分相似性，然后按从高到低的顺序对评分相似性排序，选出排在前面的若干用户作为目标用户的最近邻居，最后根据邻居的评分信息结合预测评分公式计算目标用户对未评分项的预测评分值，然后选择未评分项目中预测值排名靠前的N个项目推荐给用户。本文同样在针对协同过滤的冷启动问题上，提出了采用众数法的解决方案，就是取目标用户所有评分的数值中次数出现最多的那个数作为对新项目的评分预测值。经过这样处理之后，一个新的项目刚出现时，也能保证能向用户进行推荐。本文在实验部分对改进的协同过滤推荐算法进行了测试，实验结果证明了改进的协同过滤推荐算法的合理性和有效性。即使是用户兴趣改变后，推荐系统也能给用户提供满意的个性化推荐。