在推荐系统中,通过收集和分析用户在系统中的所有行为信息,创建用户独有的偏好模型,从而根据该模型推断出用户可能感兴趣的物品。传统协同推荐算法一般都是利用收集的用户行为信息,根据偏好模型分析用户的行为特点,筛选出向用户推荐的物品列表,但推荐列表大同小异。为了提高推荐的准确性和精确性,让用户在不同的时间可以看到不同的推荐结果,提出了以传统协同过滤算法为基础的改进算法。在分析用户行为信息,建立用户行为特征时,考虑不同时间下用户历史信息也不同,时间越近越能反映当前用户行为特征。用户在较短时间间隔内感兴趣的物品,具有更高的相似度。故以时间作为权重因子引入到算法中,加重近期行为在算法中所占的比重,优先向用户推荐与他浏览过的物品类似的物品,从而提高推荐物品的多样性。在典型数据集上的实验表明,在保证推荐准确度的前提下,融合时间的推荐算法准确率和召回率明显提高,验证了该算法的有效性。