互联网的出现和普及给用户带来了大量信息，也造成很多用户无法从中获得对自己真正有用的那部分信息，推荐系统被认为是缓解“信息过载”难题的一种有效工具。鉴于多准则评分比单一整体评分具有更为丰富的用户个性化偏好信息，将多准则评分信息融入到推荐决策过程中，有助于改善推荐的质量，但传统的多准则推荐系统研究未考虑时间因素对推荐性能的影响，无法满足用户兴趣和项目流行度随时间发生变化的情况。　　基于多准则评分推荐存在的上述问题，本文在对国内外研究现状进行梳理的基础上研究基于时间效应的多准则推荐方法。　　首先，本文将时间信息融入启发式多准则协同过滤算法中，研究用户偏好随时间变化及时间信息对于推荐预测的影响。在多准则启发式算法中引入基于遗忘规律的艾宾浩斯遗忘曲线模拟用户兴趣变化，并在项目相似度计算公式中引入时间惩罚因子，修正相似度计算结果，追踪项目的流行度变化。　　接着，本文在多准则评分推荐问题上应用效果较好的EM-ANFIS模型中添加时间窗和准则熵值，关注近期有效数据，减少多维数据带来的干扰，降低计算复杂度，改善模型的动态适应性。　　最后，对本文提出的两种推荐算法在来自于雅虎电影网站的数据集上进行了实验验证与分析，发现基于时间效应的多准则协同过滤推荐算法相比传统多准则评分推荐算法准确率要高。而基于时间效应的EM-ANFIS多准则评分推荐算法在提取近期约20%的用户评分数据情况下，推荐准确性和召回率相比静态的基于模型的多准则评分推荐算法有所提高。