目前,网络技术发展迅速,网民可以在网上查找到各种类型的物品,但是由于信息数量众多,用户无法从海量的数据里迅速找到有价值、感兴趣的东西。为了解决“信息过载”情况,推荐系统可以根据不同用户的特征和爱好为其推荐各种类型并且喜欢的物品。其被广泛服务于音乐、视频、电子商务、位置服务等各个场景中。而协同过滤是流行的推荐算法之一。冷启动、数据稀疏性问题存在于传统的协同过滤算法中;大部分用户对项目的评分跨越的时间较长,考虑到用户兴趣可能会随时间发生改变的情况,在推荐中效果不佳。本文在此基础上进一步做出研究,工作如下:(1)考虑到传统的协同过滤算法存在的用户冷启动,论文采用基于用户聚类的推荐算法进行研究,根据K-means算法对用户属性特征采取聚类。传统推荐算法根据用户对产品评分情况进行评分预测,而新注册的用户没有任何评分记录;因此,论文根据用户属性进行预测评分找到推荐列表,再对目标用户进行推荐。根据用户注册信息进行聚类,在一定水平上去缓解用户冷启动问题,即使在没有评分值的情形下也能够为目标用户给出推荐。(2)针对用户兴趣会由时间发生改变的问题,论文引入时间权重。计算用户兴趣偏好时,考虑到数据稀疏性问题,先在聚类后的用户簇中采用皮尔森相关系数计算用户预测评分,再根据时间函数对用户兴趣偏好采取加权,重新计算用户-项目评分矩阵。(3)结合用户属性聚类与用户偏好时间加权推荐的算法,采用MovieLens100K数据集进行仿真。通过只考虑用户时间加权的算法与本文算法进行实验对比,实验表明本文算法的MAE值更小。