在共享经济迅速发展的今天,推荐系统帮助用户及时准确的从海量信息中获取真正有价值的信息,极大的提高了信息的利用效率。与此同时,随着电子商务的蓬勃发展,用户对于产品和服务的要求朝着多样化和个性化的方向发展,推荐系统正面临着推荐结果缺乏多样性和个性化的问题。本文针对当前推荐技术面临的推荐信息结果缺少个性化的严峻问题,考虑多种情况,分别提出基于时间维度推荐的统一协同过滤算法(KNN Time Unified Nearest Neighbors,KTUNN)和基于空间维度推荐的统一协同过滤算法(KNN Place Unified Nearest Neighbors,KPUNN),同时本文在二者基础之上提出可以缓解冷启动问题的基于时空上下文的统一协同过滤算法(KNN Time and Place Unified Nearest Neighbors, KTPUNN)。针对时间特性,论文提出利用Logistic方程的衰减特性,在相似度的计算中加入了用户对项目兴趣的时间衰减因子,使推荐结果当中用户近期的兴趣具有较高的权重,远期的兴趣具有较低的权重。针对空间特性,本文通过在计算相似度时加入距离因素,同时利用TF-IDF的思想加入地点筛选因子,增大具有个性化需求的冷门地点的权重,降低大众普遍喜欢的热门地点权重,使得推荐的结果既符合用户的兴趣同时又在用户可以接受的距离范围之内。针对冷启动问题,本文将新用户和新项目与系统中已经存在的用户和项目的属性进行相似度计算,提高推荐结果的准确度。本文对提出的算法进行实验验证,并与其他传统协同过滤算法进行对比。实验结果表明,本文提出的算法既改进了推荐系统当中的时空特性又缓解冷启动问题,提高了推荐质量。