伴随着互联网时代的到来，电子商务成为当下的主流，人们在网络中的交易量的迅速增加，使得网络信息呈指数级增长，这直接导致“信息过载”现象愈演愈烈。在海量的网络数据信息中，用户应该难以选择自己关注的信息，因此电子商务平台中的个性化推荐系统应运而生。个性化推荐技术是在20世纪90年代被作为一个独立概念提出来的。之后，各种推荐技术在近些年发展非常迅速。比如：信息检索、基于内容的推荐、基于关联规则的推荐、协同过滤技术以及混合推荐等等。目前，应用最为广泛的个性化推荐技术是协同过滤算法。但是随着电子商务平台中用户和商品的数量急剧增加，它也开始出现了一些亟待解决的问题。比如冷启动问题、评分数据稀疏性问题、系统可扩展问题。协同过滤分为基于内存的协同过滤算法和基于模型的协同过滤算法，基于内存的协同过滤算法主要应用的算法是近邻算法(KNN)，而基于模型的协同过滤的主要算法为矩阵分解(MF)。现有的近邻算法是将用户不同的时间的兴趣等同对待，没有考虑用户兴趣的时效性，针对此问题本文提出了带结合时间权重的惩罚系数的协同过滤算法，使得评分时间越接近的用户在相似性计算时获得更大的权重；矩阵分解中的奇异值分解(SVD)最早应用于协同过滤中，将奇异值分解和近邻算法结合可以提高推荐的精度，但奇异值分解的时间复杂度非常高，可扩展性不强，本文提出了将隐语义模型和近邻算法相结合的协同过滤算法，在减小时间复杂度的同时，提高了可扩展性。