推荐系统已广泛用于互联网商业平台,为广大用户提供产品或服务等推荐。基于协同过滤的推荐算法因其简便性和实用性而成为推荐系统中主要使用的算法之一。然而,传统的协同过滤推荐算法普遍存在推荐准确度不够、难以拓展问题。为此,本文基于隐式反馈、时间信息以及SVD++模型展开对推荐算法的设计与研究,并应用TensorFlow框架加快算法的收敛速度,减少了迭代时间。本文主要工作和创新点如下:1)提出基于项目隐式反馈的SVD++推荐算法(W-SVD++)。该算法通过对SVD++算法中用户隐式反馈的总结分析,深入挖掘项目评分信息,定义项目隐式反馈,把已定义的项目隐式反馈结合已有的SVD++算法,提出W-SVD++算法进行评分预测。2)提出融合隐式反馈和时间信息的SVD++推荐算法(WT-SVD++)。本文考虑到随时间的增加,用户是否对评分产生影响以及项目是否对评分产生影响;因此基于W-SVD++算法,加入用户时间偏置函数和项目时间偏置函数,定义用户随着时间的变化对评分影响的计算方法以及项目随着时间的变化对评分影响的计算方法,本文把定义好的新的算法叫做WT-SVD++算法。该算法不仅改善方法的难以拓展问题,同时进一步提高推荐算法的准确度。最后,本文针对所提出的两个创新点,分别在movieLens数据集和Epinions数据集进行实验验证,实验结果表明本文的研究方法具有较高的实用性,能够有效的解决推荐系统中准确度问题和难以拓展问题。