互联网、Web服务以及基于Web的信息系统的飞速发展使得网络资源激增,信息推荐成为信息过载背景下为互联网用户筛选信息不可或缺的有力工具。同时网络用户量规模也迅速增大,其中使用电子商务的网络用户比重不断提高,推荐系统发展逐步完善,在电子商务领域为用户提供精准营销、网站服务等方面大放异彩。电商推荐系统的目标是提高商品点击率和订单转化率,众多学者对推荐算法方向展开了深入研究,存在的问题包含:(1)算法捕捉用户需求的能力不足,没有考虑用户需求的动态性和迁移性。(2)用户购买行为具有周期性,系统缺少对该性质的分析,各电商平台存在推荐用户刚刚购买或者购买不久的重复商品的现象,造成用户体验不佳,引起用户反感。为解决上述问题,本文基于明来西游记电商平台研究并实现了追踪用户兴趣漂移的推荐系统,研究内容主要包括以下几点:首先、在深入理解电商事务日志、用户信息的数据特征和表现形式的基础上,将用户行为时间加入推荐算法,强调用户群体兴趣随时间推进的变化。第二、针对用户兴趣漂移的现象,结合上述研究结果,将用户兴趣模型分为短期和长期两个类,引入记忆曲线来构建用户兴趣权重衰减函数,模拟用户兴趣偏好的运动,提高算法对用户需求追踪的机动性。第三、针对电商平台的应用场景,以商品类目抽象代表用户购买兴趣点,构建用户-类别矩阵,改善协同推荐中矩阵稀疏造成相似度偏差的现象。第四,深入研究协同过滤的推荐算法,分析电商用户购买行为周期性特征,结合用户回购率和商品回购周期的概念,设计了一种引入商品回购周期的推荐修正模型,利用模型得到的修正因子为目标用户修正推荐候选集。第五,构建并实现基于用户动态兴趣模型推荐系统的明来西游记电商平台,给出平台总体架构设计,并基于SSM架构模式实现各模块核心功能。最后进行测试,结果表明用户兴趣模型能够准确表达用户兴趣点分布,基于用户兴趣模型的推荐算法提高了推荐召回率,通过对比动态模型与静态模型的推荐效果,结果显示动态模型具有更高的准确率,验证了基于记忆曲线模型更新的有效性。