随着Web2.0技术和信息传播技术的飞速发展,我们已从信息匮乏的时代过渡到了信息过载的时代。个性化推荐技术作为解决信息过载的有效方法受到研究人员的广泛关注,其中,协同过滤算法被认为是最热门的推荐算法之一,但是它依然存在着很多值得改进的地方。比如,传统协同过滤算法不能有效抵抗恶意用户的攻击,致使推荐准确率下降。以及还会面临信息过期的问题,即使目前有不少研究者提出时间衰减函数能有效缓解该问题,但推荐的准确率还是不够理想。本文从用户信任关系和兴趣变化着手,对现有的信任模型与时间衰减函数来展开研究,其主要工作如下:1.现有基于信任关系的协同过滤算法通常以用户的交互来度量用户信任度,然而,现有信任度度量中关于交互行为的简单计算弱化了用户个体喜好程度差异对交互行为的影响。因此,本文在传统信任模型基础上引入用户喜好度,进而提出了改进的基于信任关系的协同过滤算法。经实验证明,这种方法能够进一步提高推荐的准确率。2.融入传统的时间衰减函数的协同过滤算法在一定程度上刻画了信息价值会随时间推移而变化,但未考虑到在局部时间段,用户兴趣变化具有不变性,因此可以对传统时间衰减函数进一步优化。在时间窗的启发下,引入了用户兴趣不变时间窗到衰减函数中。最后提出了一种改进的基于兴趣变化的协同过滤算法来更好的提高推荐的准确率。3.在上述研究工作基础上,综合考虑信任关系与用户兴趣变化两种因素,利用加权混合方式将这两种因素融入到协同过滤算法中,提出了混合信任关系与兴趣变化的协同过滤算法。经实验证明,同时结合两种因素的推荐算法较之单一模型下的推荐算法具有更优的推荐效果。综上所述,本文针对协同过滤算法存在不能有效抵抗恶意用户攻击和信息过期问题,在基于现有信任模型和时间衰减函数基础上,分别引入用户喜好度和兴趣不变时间窗,提出了混合信任关系与兴趣变化的协同过滤算法。本文的研究成果将有助于为用户提供更可信、更准确的推荐服务。