传统的推荐算法主要研究用户和物品的二元关系,将符合用户喜好的物品推荐给用户,或是预测用户对物品的兴趣程度。这些算法忽略了用户所处的上下文,而时间信息是最重要的上下文信息。基于时间信息的用户行为反映了用户兴趣变化的规律,添加用户行为序列能有效提高推荐的效果。本文基于时间动态特性,研究时变对推荐算法的影响,主要工作内容如下。1.研究了推荐系统中用户短期兴趣随时间衰退的特性和用户周期行为的时间效应。在推荐系统中,时间动态地影响用户兴趣和物品生命周期,用户行为和物品消费随时间持续变化。同时,时间也具有周期特性,周末、节假日、不同季节等因素极大地影响着用户的行为需求。将时间信息建模成连续时间感知方式和分类时间感知方式,以研究时间动态特性对推荐算法的影响。2.在基于邻域的推荐算法中,考虑用户短期兴趣随时间衰退的特性,提出一种融合时间信息的邻域推荐方法。采用连续时间感知方式,将时间作为一个连续量,体现用户兴趣持续性的变化。引入牛顿冷却公式作为时间衰减函数,以强化用户近期兴趣,弱化远期兴趣,描述用户兴趣随时间变化的过程。引入JacUOD计算方法,度量用户相似度,从而统一不同多维向量空间中向量的相似度比较,更好处理不同向量空间的维数差异。在MovieLens数据集和Netflix数据集上选取多种经典算法进行对比实验。实验结果表明,融合时间信息的改进算法提升了TopN推荐问题的推荐效果。3.在研究评分预测问题时,考虑用户行为的周期特性,提出一种改进相似度度量的概率矩阵分解模型。矩阵分解是解决评分预测问题最常用的方法,考虑时间周期特性的三维张量分解方法会导致复杂度过高而难以直接应用。本文模型采用分类时间感知方式,将时间看做取值有限的离散值,体现用户行为的周期性。将分类时间和物品类别信息作为显示特征,构建新的用户上下文评分矩阵,表现了用户对分类时间和物品类别产生兴趣的相关程度。从用户上下文评分矩阵中挖掘用户隐式特性向量,得到上下文依赖的用户相似度矩阵,将该相似度矩阵引入到概率矩阵分解模型中,实现改进相似度度量的矩阵分解方法。该方法不仅考虑了时间的周期性效应,而且能将模型分解保持在二维空间上。使用MovieLens和MovieTweetings数据集进行对比实验,实验结果表明该方法能有效提升评分预测精度。