传统的推荐算法主要关注如何将用户的兴趣与项目联系起来,大部分没有考虑到用户兴趣的动态性。但是现实生活中用户的兴趣完全可能随着时间的改变而变化。另外,用户的隐式反馈行为也隐藏着用户的兴趣,面对显式反馈数据稀疏的问题,将反映用户兴趣的显式反馈数据与隐式反馈数据结合起来进行推荐,其推荐效果必然优于只单纯使用用户显示反馈数据进行的推荐。基于此,本文对推荐系统中的用户兴趣的动态性和用户隐式反馈行为信息进行了较深入的研究,主要研究工作如下:一是针对当前推荐系统中往往采用的是静态的用户兴趣模型,一旦用户兴趣发生了偏移,就会出现推荐效果差的问题,本文在充分研究用户兴趣随时间变化的基础上提出一种用户动态兴趣模型的建模方法。为了描述时间迁移对用户兴趣的影响,提出使用兴趣漂移模型来更新用户动态兴趣模型。二是针对现有推荐场景中显式反馈数据稀疏的问题,给出一种时间感知的隐式评分模型,利用用户行为发生的时间、行为次数、行为时长、行为完整度等隐式反馈信息来构建用户兴趣模型。三是基于用户动态兴趣模型,构建了基于用户动态兴趣模型的用户协同过滤推荐算法、基于用户动态兴趣模型的项目协同过滤推荐算法。这些算法基于用户动态兴趣模型,能够更好地为用户提供精准的个性化服务。四是针对各种推荐算法都有各自的优势和不足的问题,本文在生成推荐列表时综合各种推荐算法的优势,采用混合推荐算法中的级联法和变换法给出了基于用户动态兴趣模型的混合推荐算法来实现精准推荐,增强用户体验和用户对系统的黏度。最后采用IPTV领域真实的数据集对给出的基于用户动态兴趣模型的三种推荐算法和其他的算法进行了实验对比和分析,实验结果表明本文给出的推荐算法在推荐准确率上有一定的提高,且具有更强的实用性。