随着现代信息技术和移动互联网的发展,信息量以惊人的速度产生和传播,面对数不胜数的信息量,人们难以在短时间内筛选出有用信息。为了帮助用户在节省时间的同时寻找到有用信息,推荐系统应运而生,并得到迅速发展。传统推荐算法通常认为用户兴趣随时间推移是稳定不变的,然而,在真实场景中,随着时间的变化,用户兴趣偏好不断发生改变,新产品的出现、季节的交替、流行趋势的变化等均会影响用户的选择。因此,如何从历史行为数据中捕获用户兴趣的动态漂移规律是学习用户动态特征的一个关键问题,本文将围绕复杂动态环境下的产品推荐问题,研究用户动态特征的建模与求解方法,实现精准的个性化动态推荐算法,并搭建一款适用于动态环境的推荐系统服务平台。本文具体研究成果如下:（1）提出一种基于多时间因子学习的动态推荐算法。该算法同时考虑了多时间因子对用户兴趣的影响和用户兴趣变化速度的不一致性,主要从三方面描述用户的动态偏好特征:连续性、周期性和短期性。针对用户的连续性和周期性偏好特征,分别设计可学习的自适应偏好因子捕捉对应特征;针对用户的短期偏好特征,通过挖掘用户近期评分的物品特征来刻画。将上述三种刻画用户动态特征的时间因子建模在统一的矩阵分解框架下,实现基于多时间因子的动态推荐算法。在真实数据集上与已有动态推荐算法进行实验比较,本文所提模型可有效提升推荐结果的准确性。（2）设计并实现一个基于用户兴趣漂移的推荐系统。该系统包括五大功能模块:用户管理模块、数据管理模块、数据预处理模块、算法运行模块、参考文献查阅模块。该系统重点为用户提供以下三方面服务:推荐系统中常用数据集的上传与下载、数据集预处理等功能;针对指定数据集,提供用户活跃度、物品流行度等多角度的统计信息,并且针对时序数据分析用户行为的连续性、周期性等时序特性;多种传统与动态推荐算法的在线运行,基于指定的数据集与推荐算法,提供多种常用评价指标上的结果。综上所述,本文针对推荐系统面临的用户偏好演变这一问题,提出动态推荐模型与求解算法,为动态推荐方法的相关研究提供了新思路;此外,本文所设计的动态推荐服务平台可以帮助用户更好的理解推荐机制,有利于推荐系统的推广与应用。