互联网大数据的高速发展引发了信息过载问题,如何从海量数据中快速获取目标所需的高质量高精准的价值数据,是现代信息工作者亟待解决的重要问题。推荐系统基于海量历史数据利用统计学、数学、机器学习、信息检索等数据挖掘技术快速提取关键特征数据,寻找满足用户需求的项目进行个性化推荐,大大减少了用户浏览冗余信息的时间和成本,且提高了各大应用领域的经济效益。尽管传统的推荐算法在理论技术和商业应用中已日益成熟,但是仍然面临着很多尚未被很好解决的难题,如数据的高度稀疏性、冷启动及用户偏好动态变化等问题。本文针对用户偏好动态变化的问题考虑了时间因素、隐藏的外在因素等基于用户历史行为数据提出了隐马尔可夫模型和协同过滤推荐的融合算法,该融合算法考虑了用户偏好变化的随机性和时效性,能够在一定程度上提高个性化推荐的精度。本文基于电影评分数据集进行实例研究分析,并设计了两个传统协同过滤推荐的对照实验,以此来验证隐马尔可夫模型和协同过滤推荐融合算法的可执行性和有效性。通过对电影评分的时序数据建立隐马尔可夫模型,以EM算法来估计模型参数,基于模型参数来预测用户下一时刻最有可能出现的观测序列,以此来预测电影评分,对评分进行排序选取排名前N的电影推荐给目标用户。由实验结果分析可知,本文提出的隐马尔可夫模型与协同过滤推荐的融合算法在该电影评分数据集上的准确率、召回率和F1值都比对照实验的表现稍好。