推荐系统的研究与应用越来越受到人们的关注,然而数据稀疏性、冷启动、信息过期等问题仍是常见的推荐算法正面临的挑战。为进一步解决以上问题,本文对现阶段的主流推荐算法进行分析,并在此基础上提出一种融合时间效应和评论文本的矩阵分解推荐算法,并用其构建电影推荐系统。本文的主要工作包含以下三个部分:1.本文提出一种融合时间效应和评论文本的推荐算法。该算法综合考虑评分的时间因素和评论文本所包含的信息,致力于解决信息过期问题和数据稀疏性问题。针对信息过期问题,对评分矩阵进行时间加权,探究评分时间对推荐的影响;针对用户评分矩阵数据稀疏性问题,合理利用评论文本包含的丰富信息,将其输入到卷积神经网络进行训练,学习项目的潜在特征;最后,将时间加权后的评分矩阵和项目潜在特征输入概率矩阵分解模型,分解为用户和项目的潜在特征矩阵,对用户-项目进行评分预测。本文以均方根误差为评估指标,在公开数据集ml-1m和ml-10m上验证本文提出的算法和基于概率的矩阵分解算法（PMF）及基于上下文感知的概率矩阵推荐算法（Conv MF）的算法效果,结果表明融合时间效应和评论的推荐算法的预测误差最低,一定程度解决了数据稀疏性和信息过期问题,有效提高推荐的精准度。2.构建基于融合时间效应和评论文本的推荐算法的电影推荐系统,通过需求分析、功能设计、数据库设计、电影系统实现等步骤,完成电影推荐系统的设计与实现。