信息过载已成为当今社会面临的一个严峻问题。推荐系统的出现,在一定程度上缓解了这个问题。时序信息是推荐系统中的一种重要信息。然而,现有的推荐系统算法,或是不考虑时序信息,或是只考虑推荐系统中用户与项目之间的交互顺序,但少有考虑用户与项目间交互的时间对推荐的影响。针对这个问题,本文提出了一种时序推荐算法,将时序信息融合到推荐系统算法中。本文的贡献主要有以下几点:(1)提出一种基于时序的用户相似度计算方法。传统的相似度计算方法,如余弦相似度、皮尔逊相似度等,都没有考虑到时序信息对用户相似度计算的影响。本文提出了一种时序距离来衡量用户与项目间交互时序的差异性,并与传统的相似度计算方法相结合,提出了一种新的基于时序的用户相似度计算方法,在计算用户相似度时考虑了时序信息。(2)为了将时序信息和推荐系统算法相融合,本文提出了一种新的时序推荐算法,考虑用户与不同项目的交互时间差对推荐的影响。同时,该算法还提出了一种策略,倾向于推荐新近度较高的项目,避免推荐过时的项目。该算法可以与基于时序的用户相似度计算方法相结合,并可以和传统的推荐系统算法结合。为了验证算法的有效性,本文将该算法应用于两个真实世界的数据集,并与另外三个基准算法进行了比较。实验表明,本文提出的算法拥有更好的推荐效果。(3)根据时序推荐算法,本文设计并实现了一个时序推荐系统。系统使用MovieLens数据集,可以为用户推荐其可能感兴趣的电影。时序推荐系统采用了时序推荐算法,可以呈现出更好的推荐效果。