随着信息技术的高速发展,我们逐渐从信息匮乏的时代走向了信息过载的时代,从海量的信息中获取有用并且感兴趣的信息越来越困难。推荐系统作为克服信息过载的重要工具,受到工业界与学术界的一致关注。其中协同过滤推荐算法作为推荐系统里的明星算法,受到广泛的应用与研究。传统的协同过滤推荐算法没有考虑系统的动态特性,不能适应用户兴趣的变化,又受到评分数据越来越稀疏的影响,推荐的质量不断的下降。而现有的对传统的协同过滤推荐算法做出的改进的相关算法虽然可以适应用户的兴趣变化,但是仍然受到评分数据的严重稀疏的影响,推荐的质量也并没有很大的改善。为了提高基于适应用户兴趣变化的协同过滤推荐算法的用户或项目之间的相似度的精度,改善推荐系统的推荐质量,我们提出在传统的基于时间加权的基础上结合评分预测的方法。首先,通过研究现有的评分预测的算法,采用一个合适并且高效的方法得出相应的评分数据。然后,根据提出的新方法来赋予部分拥有较高评分值的预测评分项目一个评分时的时间刻度。最后,再对这个新的评分矩阵利用时间加权方法计算用户或物品之间的相似度。我们采用MovieLens站点提供的数据集对提出的算法与传统算法进行了对比实验,实验结果表明此算法大大降低了传统只利用时间加权方法计算相似度时,数据稀疏性对相似度精度的不利影响。证明该算法能明显提高相似度精度,从而改善推荐系统的推荐质量。