随着社会的进步和互联网科技的发展，大量web2.0和3.0网站进入了人们的视线，使得人们可以在网络上随意发布信息，购买商品。在这种背景下，我们进入了信息爆炸和追求个性化的年代。每个用户在追求自己独特需求的时候都会遇到巨量数据的问题。如何帮助用户寻找资源，以及如何将资源推送给最合适的用户，成了当前的重要任务。推荐技术的出现为我们解决信息过量的问题提供了一个可行的思路。大量的推荐算法发展出来并被使用在各种场景中，起着重要的作用。常见的推荐方法都是使用用户的购买记录信息，其主要代表是协同过滤，SVD，物质扩散算法等。在用户的购买信息中还有其他很多信息可以被利用，如时间，个性化标签等。近年来，大量科研人员投入到使用额外信息来达到提高推荐效果的研究中。在本文中，我们主要研究如何在物质扩散算法中添加时间特性，使其通过对时间因素的考虑，来修改中间各步骤的权重模型，以达到提高推荐准确率的效果。本论文首先分析时序模型，简要论述了随着时间变化用户商品各属性的变化以及适于时间推荐的数据集条件，然后在此基础上针对物质扩散算法的每一步骤都进行了时间特性上的扩展，使其准确率各有提升，并将该方法应用到三部图算法上。此外，本文还提出了两种通过添加节点和边来改变二部图结构的方法，在实践中也提高了准确率。