二十一世纪以来,互联网给人们带来了极大的便利,同时也产生了大量的信息,使得人们获得有用的信息变得愈加困难,导致了所谓的信息过载（Information Overload）问题^[1]。搜索引擎在很大程度上缓解了这个问题,但是其提供的共性信息并不能满足不同用户的不同偏好,推荐系统由此而产生。但是伴随着推荐系统的迅速发展,各种困难和挑战不断涌现。主要有推荐系统的冷启动问题、数据稀疏性问题、多样性和新颖性问题、鲁棒性问题及可扩展性问题。同时考虑到用户的兴趣是变化的,本文主要针对用户的兴趣及推荐系统的数据稀疏性问题进行研究,并从推荐系统的精确度及其它指标上进行分析。本文首先研究了传统的基于协同过滤的推荐算法的推荐过程,然后针对传统的建立用户-项目评分矩阵时仅仅利用到的用户评分信息,而未考虑到项目自身的信息,提出根据项目信息挖掘其子信息,建立用户-项目子信息评分矩阵。同时考虑到用户的兴趣是变化的,结合遗忘曲线,提出融合用户对项目子信息偏好的协同过滤算法,利用改进的Pearson相似度计算方法进行推荐,实验结果显示,改进的融合用户对项目子信息偏好的协同过滤算法在精确度上要优于常见的协同过滤算法。随后继续研究了传统的基于主题模型的推荐算法,针对用户兴趣漂移的问题,提出基于TS-LDA主题模型的推荐算法,利用时间窗技术,并结合艾宾浩斯遗忘曲线进行时间窗口的划分,得出时间函数,并在求主题模型狄利克雷参数时加入时间函数,引入权重。实验结果显示,基于TS-LDA主题模型的推荐算法在精确度、召回率及F1值上的效果均优于普通的基于主题模型的推荐算法。