个性化推荐系统在电子商务中充当了传统购物模式中商场导购员的角色。这种方式不仅可以大大地节省人力成本,而且也不会受到时间与地点等因素的限制,提高了电子商务网站的服务质量,有利于接纳更多的消费者并提升用户黏性。当用户在电子商务网站上产生浏览、购买商品等行为时,这些数据将得到保留。个性化推荐系统利用这些数据对用户进行画像,挖掘用户兴趣,并以此为用户个性化地提供购买建议。推荐算法的好坏决定了推荐系统能否准确地满足用户需求,它是推荐系统研究的核心。协同过滤作为推荐算法中使用最早和最为成功的推荐技术之一,受到了广泛的应用。但是传统协同过滤推荐算法仅使用了用户-项目的历史评分信息,没有考虑其他维度的信息,推荐准确性受到了一定影响。本文在总结前人研究成果的基础上,重点在于研究如何利用时间上下文和用户及项目属性的信息提高推荐系统的推荐质量。主要研究内容包括以下几个方面:①深入地阐述了推荐系统的概念及其组成结构,比较了现有的几种主流的推荐算法,介绍了它们的实现方式、优缺点及各自的适用场景。重点阐述了协同过滤推荐算法的原理。②提出一种新的时间上下文权重函数:针对传统的基于遗忘曲线的时间权重函数孤立地计算每一项历史数据时效性的问题,利用认知心理学中记忆激活理论与激活扩散模型中认知单元网络节点激活与能量扩散的原理,提出一种衡量相似项目对目标项目时效性影响多少的计算公式。结合多阶段遗忘曲线,提出一种更能拟合用户兴趣变化的时间上下文权重函数;③提出一种基于时间上下文和属性的个性化推荐算法:针对传统协同过滤推荐算法仅使用用户-项目评分数据而产生的冷启动问题,利用用户及项目属性信息计算冷启动条件下的用户相似度和项目相似度,同时在基于项目的协同过滤算法评分预测时考虑到了项目属性相似度信息,并将本文提出的基于记忆激活理论的时间上下文权重函数引入各评分预测公式,最后给出了一种基于时间上下文和属性的个性化推荐算法。本文最后在Movie Lens数据集上通过与传统基于项目的和基于遗忘曲线的协同过滤推荐算法等比较,实验结果显示本文算法有更高的推荐准确度。