随着电子商务的蓬勃发展,近年来在整个社会物品零售额中,线上消费的占比越来越高。与线下消费相比,电商和广告等在线平台能更方便、更准确地记录用户的浏览路径和购买历史,从而收集海量的用户行为日志。同时用户很难在海量的商品信息快速找到喜欢的,如何利用这些数据,提高电商运营和用户体验,这是被越来越多的工业界和学术界所关注的问题。传统基于用户商品评分矩阵的推荐方法并未反映用户对物品的兴趣随时间变化的过程,推荐的物品列表偏离了用户的当前真实喜好。在用户没有明确的购买意图去浏览或新用户商品历史交互数据稀疏下,基于用户或商品的相似性方法缺乏较高的准确性。基于群体动态兴趣度的个性化推荐算法针对以上问题,加入时序特征推断用户对物品的动态兴趣并结合用户自身兴趣度和对大众热点的关注趋势较好的适应推荐冷启动。基于群体动态兴趣度的个性化推荐算法通过贝叶斯规则预测用户兴趣,并度量出时间因素对用户兴趣度变化的影响程度从而预测用户兴趣度的迁移,进而利用加权网络推断预测用户潜在兴趣度。在此基础上通过聚合海量个体用户的动态兴趣从而快速有效的获得当前群体的共性化推荐列表。最后依赖时间因素和用户个体行为数据的稀疏程度将两种推荐模型有效的融合,从而为用户提供个性化推荐服务。通过使用在阿里巴巴天猫1200万真实用户4个月与3万品牌的交互行为日志的数据集,实验结果表明基于群体动态兴趣度的个性化推荐可以在利用用户动态兴趣度变化下有效的预测用户当前感兴趣的物品,实现对用户个性化推荐,并提出了滑动窗口从而提升了推荐的精确度以及降低了系统的计算成本。