随着计算机技术和互联网技术的飞速发展,网上的信息量呈现指数级别的增长趋势。大量的信息为人们提供了丰富的资源,但同时也增加了快速查找有用信息的难度。推荐系统就是在这样的环境下产生的。推荐系统可以根据用户的显性和隐性行为,分析用户的兴趣爱好,为用户推荐其可能感兴趣的物品。推荐系统不仅能够为用户提供个性化的服务,还能为商家带来一定的经济效益。日前,不论是在学术界还是应用领域,推荐系统都已经成为研究人员研究和关注的焦点。协同过滤算法具有良好的推荐思想和优质的推荐结果,因此被广泛应用于电子商务领域。传统的协同过滤算法是根据用户过去的行为数据来预测用户当前的兴趣爱好,这种推荐算法的前提是用户的兴趣不会变化。但是在实际生活中,用户兴趣往往是不断变化的,所以传统的协同过滤算法具有一定的不合理性。本文针对用户兴趣变化这一问题,分析了影响用户兴趣变化的相关因素,提出了一种新的协同过滤算法。该算法考虑了时间、用户兴趣度和项目相似度对用户兴趣变化的影响,分别对时间、用户兴趣度和项目相似度加以不同的数据权重,通过实验分析不同的权重值对推荐结果准确率的影响,最终选取合适的数据权重来提高推荐质量。本文涉及的实验采用的数据是MovieLens数据集,该数据集收集了许多用户对大量电影的评分记录。本文中的实验选用五组不同的时间、用户兴趣度和项目相似度的数据权重,分别判断其对推荐准确率的影响,最终确定最优的三种权重值。将本算法与其他考虑用户兴趣变化因素的协同过滤算法进行对比,实验结果表明本文中的算法能够有效地提高推荐结果准确率。