随着互联网的普及和电子商务的迅猛发展,网络用户正面临着越来越严重的信息过载问题,用户不得不在海量的产品信息中寻找需要的商品。推荐系统可以有效地与用户进行交互,根据用户的喜好进行个性化的商品推荐,对提升用户对电子商务网站的满意度、增加商品销售量有重要影响。但是,精确性问题和实时性问题严重制约了推荐系统的发展。目前应用最为广泛的推荐算法是协同过滤算法,协同过滤主要时间消耗用于相似度计算上。随着用户数量和项目数量的增加,推荐系统需要不断的重新计算相似度,造成推荐系统无法满足用户的需求。基于模型的协同过滤算法从某种程度上解决了这个问题,但由于模型更新周期长而降低了推荐的精确性。针对以上情况,提出一种基于用户实时反馈的协同过滤算法,该算法在用户提交项目评分之后能实现对推荐模型数据的实时更新,从而更精确的反映用户的兴趣变化。本文的主要的研究工作如下：1.对当前推荐系统和推荐算法的发展和研究情况进行了阐述,重点归纳了协同过滤推荐的基本原理以及推荐特点,总结了传统的协同过滤技术存在的弊端,为下文模型的提出奠定基础。2.为了能够实时更新用户的兴趣变化,本文提出了基于用户实时反馈的推荐模型,通过在线更新机制接收用户的实时反馈对相似度数据进行局部更新,该反馈模型分为直接反馈和间接反馈两部分,分别从不同角度反映用户反馈对推荐结果的影响。3.针对该种模型,本文又提出了一种基于用户实时反馈的协同过滤算法,该算法通过巧妙的公式变化,实现了在传统协同过滤算法上的实时更新功能,又通过引入邻接表结构来降低算法的复杂度,实现了在线更新的功能。4.在实验部分,本文设计了三部分实验来测试算法效果。除了采用传统的平均绝对误差(MAE)和平均推荐时间(MRT)这两个指标之外,本文还提出了平均评价时间(MAT)来衡量用户评价数据所需要的时间。实验结果表明,该算法能够有效地提高推荐精确度并且大幅地缩短了推荐时间。最后,本文对推荐系统技术的未来进行了展望。