大数据的时代背景下,数据信息日新月异,用户很难在海量数据中提取出对自已有益或者感兴趣的内容,所以如何解决信息过载给用户带来的困扰是人工智能和大数据时代面临的重要难题。推荐系统的出现成为解决信息过载问题的突破口,它能够帮助挖掘用户潜在的兴趣点,是个性化服务领域的重要分支。在推荐系统的研究过程中,协同过滤算法是至今应用最广泛的推荐算法,其核心思想是利用用户对项目的评分数据挖掘某种相似性来产生推荐,不过该算法也存在着诸如冷启动、数据稀疏、扩展性差等问题。在分析了众多推荐方法的基础上,针对推荐系统中传统的协同过滤推荐存在的问题,以基于项目的协同过滤推荐为基础,本文提出了一种新的基于用户偏好建模的动态协同过滤推荐方法,其主要思想是:利用皮尔逊相关系数法计算用户间相似度,从而对用户进行聚类,使得同一类中的用户相似度较高,不同类间的用户差别较大。聚类过后,根据类中用户评分数据的集中程度确定不同类别的用户偏好项目,以此为基础找出与目标项目共同评分较多的候选邻居项目集,进一步筛选之后生成目标项目的最近邻项目列表。此外,在项目相似度计算中引入时间权重因子,通过用户在某一时间段内访问过的项目集的数据记录来确定基于时间的用户兴趣加权函数,该加权函数反映了用户对项目的兴趣随时问的变化。时间权重因子的加入提高了计算项目相似度的精度,从而进一步提高了推荐质量。本论文在MovieLens数据集上进行实验。实验结果表明,本论文提出的基于用户偏好建模的动态协同过滤推荐方法相比传统的基于用户和基于项目的协同过滤推荐,推荐效果更好。