互联网技术的繁荣,为我们带来了各种各样的互联网应用,这些应用无时无刻不在充实着我们的日常生活,而随之而来的便是海量的信息。同时也会带来信息过载等各种各样的问题。作为解决信息过载等问题的其中一种方式,推荐系统通过挖掘用户的历史行为等记录来预测用户的未来行为。但同样会面临一些问题与挑战。针对现有的协同过滤算法在为用户进行推荐时没有考虑或者很少考虑其他因素对推荐造成的影响,比如时间因素和不同用户的影响度,有的研究只是从单方面进行考虑,这样为用户推荐的效果往往不如多因素考虑效果好。本文基于传统的协同过滤算法基础上,综合以上两种因素,开展工作如下:1)提出一种新的的渐增时间权重函数。由于现有的协同过滤算法大多根据用户的历史评分数据或历史行为产生推荐,并未考虑到用户的兴趣爱好会发生变化,未来的兴趣爱好未必会和过去那样保持一致。首先引入艾宾浩斯遗忘曲线并进行分析,找出符合遗忘曲线变化规律的基本函数表达形式,在保持原有形式不变的基础之上,提出新的符合遗忘规律的时间权重函数,在对用户进行预测评分时,将距离当前时间较近的评分项目占有较大的权重。2)提出一种新的计算用户影响度的方法。考虑到用户属性的影响,将用户影响度作为计算预测评分的一个因子,并对用户影响度的计算提出新的方法。结合这两种因素对用户进行预测评分,这两种因素弥补了传统协同过滤算法未考虑外界影响因素的不足。3)将改进后的算法(CF-IB)在Movielens数据集进行实验,将实验结果与传统的协同过滤算法和本文改进的时间权重和用户影响的单一算法作比较,验证该算法的可靠性。