在网络信息科技飞速发展的同时,网络上的信息实现了跨越式的增长。用户在海量信息里获取有用的信息需要花费大量的时间成本,如何给用户筛选符合其兴趣爱好的内容也成为了各大软件和网站急需解决的问题。随着推荐系统的快速发展,新的推荐算法不断被提出并研究,其中作为传统算法的协同过滤算法虽然被很多学者研究,但其仍存在不足。协同过滤算法都只考虑了用户-评分或项目-评分的信息,考虑角度单一,且用户行为数据过于稀疏。没有考虑到用户信息对推荐效果的影响以及用户的兴趣随着时间的变化情况。针对上述提到的问题,本文做了以下工作:一.传统的相似度只考虑了用户项目评分信息降低了用户相似度的准确性,因此将用户属性信息引入到用户相似度中作为综合用户相似度,并将其引入到加权Slope One算法中来计算出项目Dev从而预测项目评分,缓解数据的稠密度问题,提高算法的准确性。二.针对协同过滤算法考虑角度单一的问题,本文引入时间因素,考虑时间效应对用户兴趣的影响。通过艾宾浩斯遗忘曲线来计算用户在时间因素下的相似度,根据改进的用户相似度和相似度支持度进行预测评分。最后将两种算法进行融合,解决了单一算法存在的问题即Slope One算法两种项目无共同评分不可预测的缺点,改进了单一算法的局限性并提升预测的准确性。最后本文将算法应用到Movielens数据集上来验证融合时间效应和用户属性算法的有效性,通过实验对比分析改进后的算法在MAE和RMSE值上有较好的结果,提升了推荐性能。