推荐系统是大数据及智能信息时代下应运而生的产物,已经成功应用到商品推荐、美食推荐、旅游推荐、视频推荐、社交推荐等各种场景。目前,大部分推荐系统更多关注的是显式反馈,然而在实际应用中隐式反馈远比显式反馈丰富,甚至在一些场景中只能获取到隐式反馈,因此基于隐式反馈推荐的重要性不言而喻。同时,传统的基于隐式反馈的推荐算法大都忽略了时间因素对推荐结果的影响。针对以上问题,本文改进了两个场景下的推荐算法,设计了一个儿童视频的推荐系统。具体工作如下:(1)针对传统的时间权重算法没有挖掘到用户“先快后慢”遗忘规律的问题,本文设计了一个时间窗函数,改进了传统的时间权重策略,并将改进的时间权重策略融合进快速矩阵分解算法中,最后在两个公开数据集上进行对比实验,验证了改进算法的可行性和有效性。(2)针对传统的GRU模型忽略了时间序列数据中用户点击商品时间的问题,本文在传统GRU模型中加入了时间门,提出了一种Time-GRU模型,并且探究了两种损失函数对Time-GRU模型的影响。通过实验,验证了加入时间门的GRU模型在推荐任务中的有效性。(3)本文基于B/S架构设计了一个儿童视频的推荐系统,并将以上改进的算法集成到该系统的算法模块,构建了系统整体框架及软件逻辑体系,建立数据库表,最后完成开发测试及部署。