随着互联网的迅猛发展,信息化时代的到来,数据量成爆炸性趋势增长,推荐系统成为了一个越来越受关注的领域。由于推荐系统是根据用户的历史行为和项目的历史特征进行分析,而用户的喜好和项目的流行程度都会随着时间而产生变化,所以时间因素必然会对用户的评分行为产生影响,从而影响推荐结果的精准度;此外,在对用户进行分析时,并不是所有的参与用户都能够为目标用户提供可靠有效的推荐,所以并不是所有的评分记录对最后的推荐结果都是有价值的,只有值得信任的用户才能够产生可信任的推荐。因此本研究课题将主要针对上述两个方面进行研究。首先,为使得最终的推荐结果信任可靠,同时分析时间因素对用户间信任度的影响,本研究将会提出双重信任机制和时间因素相结合的方法。由于用户的信任程度会随着时间延续而有所衰减,所以本研究会将时间作为衰减因子融入到信任计算模型中。信任机制在推荐系统中有两种用途:信任过滤和信任权重,本文中将结合这两种用途,使得信任机制在推荐系统中的作用能够充分发挥。其次,为分析用户偏好和项目流行程度随时间的变化情况,提高推荐系统的精度,本研究课题提出在传统的矩阵分解技术中融入时间因素的方法,分别将用户偏差b_u、物品偏差b_i和用户特征向量p_u看做时间t的函数,通过调节时间t的取值范围,来观察时间因子对推荐精度的影响。最后,本课题将分别对融入时间因素的信任机制和矩阵分解方法,在Netflix数据集上进行试验,通过将实验结果和传统的推荐算法相对比,来分析时间因素和信任机制对推荐精度的影响。