如今,互联网已经成为人们日常生活的一部分,人们在享受互联网带来的便利的背后离不开推荐系统的帮助。但是随着用户在平台使用时间的增长用户的历史数据也越来越多,与互联网早期需要针对新用户的而着力解决冷启动问题相比,如今如何利用好已有数据来维持现有的成熟用户显得更为重要。针对这一问题,本文首先介绍了传统推荐算法的研究现状及发展趋势,然后详细介绍了目前常用的推荐算法及其改进。成熟用户在平台积累了更多数据更难寻找喜好都相似的用户,本文因此选择能够根据用户喜好进行推荐的基于项目的协同过滤推荐算法,但该方法存在着受项目热度、共同评分数量、评分时间等因素影响的问题,同时单一的传统算法并不适用于如今百万级以上的数据,本文针对上述问题对传统的协同过滤算法进行改进和研究,具体工作如下:提出了添加惩罚热门项和时间衰减协同过滤推荐算法（IFFF-ICF）,该模型从牛顿冷却公式中得到启发设计了新的时间衰减函数,在对评分按照时间进行衰减的同时减缓了对极端评分的遗忘速率,使其在面对长期数据时能够更加精准的反映用户的真实评价,同时为避免热门项目在计算物品相似性时产生干扰分别对热门项目和用户设计了适合的惩罚项,提高了推荐的准确性。考虑到基于项目的协同过滤推荐算法的准确率非常依赖对于用户喜好物品的判断,而单一的近期评分数据或只考虑评分较高的项目无法准确捕捉到用户兴趣,因此本文利用时间窗口将用户兴趣分为短期兴趣和长期兴趣两个部分,通过综合用户近期行为中的兴趣变化得到的短期兴趣和历史评分中反映的长期兴趣趋势找出用户真实兴趣集。将用户兴趣模型和改进的协同过滤算法想结合最终得到基于用户兴趣模型的添加惩罚热门项和时间衰减的协同过滤算法（IFFF-ICF-Interest算法）。改进后的协同过滤算法面对如今指数级增长的数据量时存在效率不足的问题。因此本文提出了融合矩阵分解的基于项目的协同过滤算法（FMT-ICF）模型作为召回模块,通过充分利用用户以及物品的背景信息降低推荐排序时的比较数量。该模型采用因子分解机进行召回,在面对用户信息这种极度稀疏变量时能充分发现其中的交互信息,同时针对因子分解机无法充分挖掘用户评分矩阵中信息的特点,采用非负矩阵分解的方法提取项目隐特征作为物品的特征变量。融合以上两种算法能够很好的将用户、项目的背景信息和评分信息结合起来,降低协同过滤的项目的计算量,从而更加精准的寻找每位用户真正感兴趣的内容,大幅提高协同过滤算法的效率及准确率。最后本文在Movie Lens 100k数据集上进行了试验并证明了本文提出的算法的有效性。