推荐系统是当下解决信息超载问题的有效方法,在经过学术界和工业界多年共同的研究和应用后,取得了卓越的研究成果。但是在移动互联网的时代中,数据量呈现几何式增长,传统推荐系统同时面临着可扩展性和数据稀疏性的双重考验。同时,随着时间的迁移,用户的兴趣偏好也在不断发生变化,一个成功的推荐系统应能捕捉并适应这些变化。为了应对上述挑战,本文提出了一种基于用户兴趣转移挖掘的流式推荐算法,主要从矩阵预填充、流式推荐模型的构建和遗忘机制三个方面展开研究并对其缺点进行针对性的改进。(1)带有流行度惩罚项的矩阵预填充方法。传统的协同过滤算法无法适应过于稀疏的数据,而矩阵预填充方法可以基于先验知识对缺失评分进行估计和填充,能够在一定程度上缓解数据的稀疏性问题。在对Enhanced SVD(ESVD)预填充方法的评分误差进行分析后,本文提出预填充评分的误差与用户活跃度及资源流行度之间具有正相关性的假设,并基于ESVD方法设计了一种带有流行度惩罚项的矩阵预填充方法ESVD-P,提高了预填充评分的精度,改善了模型后续的训练质量。(2)基于种类信息构建的改进流式推荐算法。为了能够及时应对外界的变化,流式推荐算法大多采用了增量更新的在线学习方式,根据流数据对模型参数进行实时更新。本文指出在面向特征向量的增量更新策略中,模型的整体拟合残差会不断扩大,为了避免这种现象,本文提出了一种基于资源种类信息的流式推荐模型streamGBMF,该模型利用资源的种类信息来构建资源特征矩阵,于在线学习的过程中,模型采取只对用户特征向量进行实时更新的增量更新策略,从而避免了模型整体拟合残差不断扩大的问题。(3)改进的遗忘机制。由于用户的兴趣偏好会随着时间的迁移而不断发生变化,用户的部分历史数据已经无法正确反映出用户当下的兴趣偏好,为了去除这部分“过时”数据的影响,推荐模型需要引入“遗忘”机制,然而现有的遗忘机制无法从历史数据中有效地区分用户的临时偏好和长期偏好,因此会丢失历史数据中的宝贵信息。基于以上考虑,本文结合streamGBMF模型的特点,提出了两种新型的“遗忘”机制:奇异点移除法和时间衰减置信度法,能够有效的保留用户的长期偏好信息。在基于公开数据集MovieLens 1M模拟的流数据环境下,通过对比实验的结果表明,本文提出的streamGBMF模型在整体的推荐质量上有显著提升。结合不同条件下的对比实验分别验证了模型中提出的矩阵预填充方法、改进流模型和遗忘机制的有效性,证明了本文算法在流数据的环境下,能够更准确地捕捉用户当下的兴趣偏好,并提供高质量的推荐结果。