推荐系统作为解决信息过载的主要手段,通常通过挖掘用户的历史行为来对用户未来的行为进行预测,它的本质是将用户和项目联系起来,将用户可能感兴趣的项目推荐给他。传统的推荐算法一般会经过获取用户行为、建立推荐模型、生成推荐结果这几个步骤为用户推荐可能感兴趣的项目。在推荐的过程中,传统方法较少考虑时间效应和用户的兴趣变化对推荐结果的影响,从而导致推荐结果不准确和不合理等问题。为了解决上述问题,本文首先在传统协同过滤算法的基础上,通过引入反映人们遗忘规律的艾宾浩斯遗忘曲线,提出一种基于时间效应的改进协同过滤推荐算法,并通过引入时效性集合的概念对数据进行预过滤,最后通过实验将基于时间效应的改进协同过滤推荐算法和传统的协同过滤算法进行比较,实验验证了增加时间效应后,推荐准确性得到了提升。同时,本文对图模型中传统的随机游走算法进行改进,考虑用户兴趣的变化,在传统随机游走算法的基础上增加时间效应因子,提出一种基于时间效应图模型的随机游走算法,并根据偏好预测结果对目标用户进行推荐。对比实验结果表明,该算法在增加了时间效应之后,能得到更加准确的推荐准确度。最后,本文对传统的“项目一用户”二分图进行改进,提出了一种“项目一用户时间段”图模型,并通过设计路径融合算法计算目标用户对未知项目的偏好,之后设计实验验证了该算法的可行性,实验结果表明该算法能够有效地解决时间效应和用户兴趣变化对推荐结果的影响,并且与传统的协同过滤算法相比具有更高的推荐准确度。