随着信息技术和互联网技术的发展,人们进入“信息爆炸”的时代,面对海量信息,用户不知道如何将自己感兴趣信息从这海量的信息中提取出来,搜索引擎已经不能满足人们的需要,推荐系统成为解决这一需要的重要方式。而协同过滤因为其算法简单,又能够处理复杂的问题并产生比较良好的效果而被人们广泛应用,也成为了推荐系统中最成功的技术。然而用户的兴趣是时刻变化的,且对于新用户系统无法预测用户的偏好,原始的推荐技术并没有满足这些需求,而本文就是致力于这方面问题的解决。首先,本文提出了基于艾宾浩斯遗忘曲线的用户推荐算法,由于人的兴趣是不断变化的,而这种变化是自然遗忘的过程,也就符合遗忘曲线,所以用遗忘函数模拟人的兴趣变化。由于时间对评分的起着很重要的作用,在使用相似度算法时加入了时间因子,对用户的原始评分进行衰减,以此来反应用户的兴趣变化。然后为本文提出的算法设计了两组实验来验证算法的有效性。通过两组实验的结果证明,总体上来讲,本文提出的基于遗忘曲线的相似度的计算方法比传统的算法要好一些。那么在推荐系统中,结合自然规律,通过运用艾氏遗忘曲线所表述的遗忘的规律来反应用户兴趣的变化,对用户评分进行衰减,可以明显的提高系统预测的准确度。这也表明,在推荐系统中,人的认知规律可以发挥很重要的作用。其次,基于以上的内容,本文针对推荐系统中冷启动问题又做了详细的研究,分析和比较了前辈们提出的各种解决冷启动问题的算法,明确每个算法的优点和不足；同时介绍了通过交叉推荐引起的思考,由于人生活在社会中,不同的人有不同的社交圈,而目标用户社交圈中的人的偏好在某种程度上可以反映目标用户的偏好,基于这种思想,结合Sahebi提出的算法,将遗忘曲线的思想加入进去,提出了在多维网络中基于用户社区划分来解决冷启动的方案。通过清空数据集中用户的书评来模拟系统中的冷启动问题,在能克服冷启动问题的情况下,用社区群体的兴趣漂移来预测用户对图书的评分。对于本文在实验部分将此方案与传统的协同过滤推荐算法进行了对比。实验证明,在邻居数不断增加的条件下,前者预测的准确度要优于后者,也就是说,该算法能够克服冷启动问题提高推荐质量。