信息推荐作为解决信息过载的重要手段之一，得到了广泛的研究和应用。但当前推荐系统在动态特征方面研究不足却制约着它的发展。传统的推荐系统研究是基于用户和物品之间的关系，通过分析用户的历史行为或评价数据来预测用户对物品的兴趣大小，忽视了时间因子在模型中的重要作用。而现有的动态推荐系统的研究，仅考虑了单方面的时间因素，使得时间信息对推荐系统的作用没有充分发挥出来。综上所述，本文针对现有推荐系统忽略了时间因子对推荐结果的影响，导致推荐结果准确率不高的问题，以含有时间信息的数据集为基础，进行了一定的研究。主要工作包括如下几个方面：首先，本文总结分析出时间因素可以分解为三大方面：物品时间属性、用户兴趣时间属性和时间热点效应，在文中第三章进行了详细的分解和说明。在推荐过程中，要综合考虑三方面带来的作用和效应，使得最终的推荐结果更加合理和有效。其次，结合第三章中对时间因素的具体分析，在现有融合了单时间因素的图模式基础上，提出了预测用户兴趣的时刻图模型(TGM)，并应用在TOP-N推荐问题上，即给用户推荐N个其可能感兴趣的物品。该模型TGM以用户物品二分图为基础，通过引入物品时刻节点、用户时刻节点和时间热点效应物品节点来反映时间因子对推荐过程的影响，建立了用户兴趣预测的图模型，从而把度量用户对物品的兴趣值问题转换为计算图中节点之间相似度大小的问题。在该图模型中，利用路径融合算法计算图中用户节点与物品节点之间的相似度，从而实现了预测用户对物品兴趣大小的目的。最后，本文采用含有时间信息的数据集进行仿真实验，实验结果表明，提出的预测用户兴趣动态时刻图模型，相对于传统的时间无关的静态模型，有效提高了TOP-N推荐问题的推荐质量，显著改善了用户在推荐系统中的体验。