为解决信息过载问题,推荐系统越来越收到学术界和工业界的重视。但目前推荐系统研究中一般假设用户及物品的属性是恒定不变的,但实际中,用户自身喜好和属性信息可能随着居住地、工作甚至是主观情感的改变而变化,物品自身的流行价值也会由于所有用户对其看法的变化而改变。随着时间的推移,用户自身的喜好与物品自身的推荐价值是具有动态性的。现有的推荐方法大都忽略了时间因素对用户和物品自身以及两者之间关联关系的影响。为了解决上述问题,进一步揭示用户与物品交互的动态性,验证推荐的可解释性,本文提出了一种基于用户和物品动态关联关系分析的推荐方法（RM-DCA）。该方法包括基于长短期记忆网络（LSTM）的并行神经网络,用以分别捕捉在一定时序内用户动态的个性化偏好特征及物品在相应时序内被大众喜爱程度的变化,进而构建用户和物品动态交互矩阵,利用卷积神经网络（CNN）联合多层感知机（MLP）学习在一定时序内用户对物品的动态交互关联关系,从而更好地预测用户对物品的动态偏好。本文从动态关联关系分析的角度验证了推荐系统的可解释性,学习用户的动态性偏好和物品的动态受欢迎原因,并将其作用于推荐方法中,有效提高了推荐的准确度。经过在两个真实且可访问的数据集:Amazon、Yelp上进行的实验评估,本方法的评估指标与基线方法Neu MF、Conv MF和A^3NCF相比有较为突出的表现,实验结果表明RM-DCA对推荐准确度有正面影响。该论文有图41幅,表8个,参考文献54篇。