随着互联网技术的快速发展以及用户参与程度的不断提高,网络上的各种信息逐渐丰富,信息量快速增长。然而,过多的信息使得用户在特定应用场景下获取真正所需信息的成本和难度不断增大,从而产生了“信息过载”问题。推荐系统作为一种可以有效解决“信息过载”问题的技术,已经被广泛地研究,各种不同的推荐算法被提出,并在不同的领域被广泛地应用,特别是在电子商务领域。一个电子商务网站往往具有很多不同种类的产品,每一个种类中的产品数量众多,用户在进行网站购物时,通常都是在自己感兴趣或者需要的产品种类中进行浏览。而现有的大多数推荐系统在对用户进行项目推荐时,往往忽略用户购买不同种类产品的时间间隔,仅仅考虑用户之前的购买项目本身,导致在不同时间点产生的推荐项目具有较高的同质性,项目种类与用户之前购买的项目具有较高的重叠度,降低了用户对推荐系统的满意度。另一方面,购买决策领域的很多研究已经表明,价格是影响用户对某一产品做出购买决定的主要影响因素之一。用户对不同种类的产品往往具有不同的价格偏好,而现有的推荐系统很少考虑价格因素,即使在基于效用的推荐系统中,也仅仅将其作为一个普通的产品属性进行考虑,没有充分利用用户对不同种类产品的价格偏好。考虑到现有推荐系统的上述不足,本文提出了一种跨种类的推荐算法。首先,通过考虑用户购买不同种类产品的时间间隔,基于序列模式挖掘技术,我们为特定用户对不同种类产品的兴趣偏好的变化进行建模分析。其次,基于模糊集理论,我们为每一个用户对不同种类产品的价格偏好进行建模。最后,算法通过将上述考虑时间间隔和价格因素的方法进行综合,在特定的时间点,为用户产生不同的推荐项目列表。基于两个真实的网站购买记录,本文对两种不同因素提高推荐准确度以及算法结合两种因素的有效性进行了实验分析。实验结果表明,产品价格因素确实是影响用户购买决策的重要因素,可以显著提高推荐的准确度,而时间间隔因素在提高推荐的准确度方面,在不同的产品领域具有不同的表现:在电子产品等非经常性购买的产品领域,时间间隔因素可以有效提高推荐的准确度,而在餐馆等经常性消费的产品服务领域,时间间隔因素起到的作用并不显著。另外,不管在哪个产品领域,与传统的推荐算法相比,本文提出的推荐算法可以显著提高推荐的准确度。