随着计算机技术、互联网和移动通讯的快速发展,人们生活中的信息量呈指数级的激增,在给人们带来方便的同时,也造成了“信息过载”的现状。如何从这些海量信息中找到自己所需的内容,成为了目前大数据形势下的研究热点。由于推荐系统能有效的从海量信息中挖掘出用户所需的内容、备受用户欢迎,因此它已经被运用到各个领域。随着推荐系统的兴起,与之对应的推荐算法也备受商业界和学术界的重视。目前,以协同过滤推荐算法为核心的推荐系统应用最为广泛。本文主要研究内容是融合近邻传播算法与模糊C均值聚类算法(AP-FCM)和时间权重函数来降低由于数据稀疏性和用户兴趣随时间变化问题对传统协同过滤推进算法带来的影响。首先,利用AP-FCM聚类算法来降低数据稀疏比例。由于模糊C均值聚类算法(FCM)算法具有聚类中心不稳定且聚类个数需人为设定的缺陷,而近邻传播算法(AP)能自动生成聚类中心点和聚类个数,因此本文将两者优势结合,提出了AP-FCM聚类算法。实验分析结果表明,AP-FCM算法不仅在聚类中心的选取上也要优于传统的FCM聚类算法,而且能有效的降低数据稀疏比例。其次,引入时间权重函数。对不同时段的评分给予不同的权重值进行衰减,以体现用户的兴趣随时间迁移而变化。实验结果表明,时间权重函数能有效的体现用户兴趣随时间迁移而变化。最后,本文将AP-FCM聚类算法与时间权重函数相结合,提出基于AP-FCM与时间权重函数的协同过滤推荐算法。并将该算法与传统的协同过滤推荐算法在公共数据集Movie Lens上进行实验对比分析,结果表明,基于AP-FCM与时间权重函数的协同过滤推荐算法在准确度上要优于传统的协同过滤推荐算法。