大数据时代,影视行业搭乘互联网的快车发展迅速,各类影视资源纷纷涌现。随着电影资源的不断累积,“信息过载”问题在影视行业愈发凸显。推荐系统在影视行业的应用有效缓解了电影过载问题。一些视频网站使用传统的协同过滤推荐算法给用户推荐电影,但该算法对时间上下文的考虑不够全面,推荐准确度不高。实际上,人的兴趣偏好不是固定不变的,会随着时间变化产生兴趣偏移,故研究时间上下文对推荐算法的影响具有重要意义。本文挖掘用户历史评分数据中的时间上下文信息,利用用户评分时间对用户建模,论文主要工作如下:首先,考虑到人的记忆遗忘规律,借鉴艾宾浩斯遗忘曲线拟合时间衰减函数追踪用户兴趣偏移。考虑到不同年龄阶段对事物的遗忘速率不同,对拟合的时间衰减函数做了进一步改进,实现了对不同年龄用户兴趣偏移的追踪。并将记忆遗忘时间函数融入用户相似度计算,实现基于用户群的评分预测。除了遗忘规律,人看到某物品时存在回忆起相似物品的可能,这种现象被称为记忆激活。故融合记忆激活理论得到时间权重函数,该时间函数能够衡量用户历史行为物品对当前物品的影响权重,由此可以得到基于物品群的评分预测。其次,综合考虑用户群和物品群对用户的影响,实现混合评分预测。本文将这种混合评分预测方法称为HMC-CF(Collaborative Filtering Based on Human Memory Characteristics)算法,并在Movie Lens数据上进行对比实验验证,证明了HMC-CF算法的优越性。最后,为进一步验证本文提出推荐算法的可行性,借鉴当前热门视频网站的运行模式,设计并实现了一个个性化电影推荐系统。该系统具有电影分类导航、精准搜索、热门电影、最新电影以及个性化电影推荐功能。个性化推荐模块能够追踪用户兴趣偏移,更好的满足了用户个性化、多样性的观影需求。并且界面整洁美观,提升了用户体验。该论文有图37幅,表15个,参考文献76篇