随着互联网的普及,计算机技术的不断更新迭代,海量的信息充斥在人们的眼前,如何在信息的海洋里快速地便捷地找到自己所需的信息—“信息过载”问题成为人们不得不面对的问题。在这种情况之下,推荐系统应运而生,而协同过滤算法又是推荐系统算法中最古老且应用最广泛的最成功的算法,协同过滤算法对用户的历史行为数据加以研究,建立属于用户的个性化的爱好模型,预测用户可能感兴趣的物品并给用户推荐兴趣程度最大的物品。本文针对基于用户的协同过滤算法的静态性、稀疏性、单一性的问题提出了基于用户的动态协同过滤算法,主要研究内容概括如下:针对静态性,引入时间记忆函数,建立用户兴趣的动态模型。用户的兴趣并不是一直延续的,它会随时间的推移而发生变化,因此预测用户兴趣的准确度存在一定的较大的偏差。引入时间记忆函数,研究分析客户不同时间节点上兴趣爱好,建立客户爱好的非静态的模型,才能提高对用户兴趣预测的准确度。针对用户-物品评分矩阵的稀疏性,通过改进的物品相似度对其进行修正。本文通过改进后的物品相似度,预测用户未对物品进行评分的物品的评分,利.用.修.正.的用.户-物品评.分.矩.阵计算用户间的相.似.度,有效避免了由于用户-物品评分矩阵的稀疏性造成的用户相似度的误差。针对物品相似性度量的单一性,引入物品特征的相似性,结合传统的物品相似性,对传统的物品相似度进行改进。传统的基于物品的协同过滤在计算物品相似性时,只是单纯的考虑用户对物品的历史评分,并没有考虑物品本身属性,而两个物品的相似性根本在于两个物品的本身特征,它是不以用户的意志为转移的,是物体客观存在的内在因素。实验结果表明,改进后的基于用户的动态协同过滤算法大大提高了推荐的精准度。