计算机的迅速普及以及网络通信技术的发展是人类第五次信息技术革命的基础,信息化时代的到来为人们的生活带来了前所未有的改变和体验。但是毫无疑问,发展与问题是相互伴随的,信息过载问题日益严重,同时人们需求变换越来越快,同质化的服务已经难以适应人们的需求变化,个性化服务成为了发展的主流,个性化推荐系统便应运而生,它的出现不仅缓解了信息过载问题还提高了用户的服务满意度。本文阐述了推荐系统的发展历程与应用前景。在简要介绍了协同过滤、基于内容、潜在语义分析、基于关联规则、基于情景信息等主流推荐算法基础上,重点对协同过滤算法进行了阐述,同时分析了推荐算法中的常见问题以及相关解决方法。伴随着用户和项目数据量的急速增长,基于用户的协同过滤算法将产生不可避免的数据稀疏问题,进而极大的降低了算法推荐准确度,影响推荐效果。针对这一问题,本文在深入研究项目之间联系的基础上,提出了一种改进的基于用户的协同过滤算法ISUCF,该算法综合了项目的属性相似度和关联相似度,对评分矩阵进行填充。论文详细的描述了算法的改进思路与推导过程,并且通过实验对比分析ISUCF算法与已有算法,结果表明本文改进算法可以有效提高推荐准确度。虽然本文的ISUCF算法通过实验证明一定程度上可以解决数据稀疏问题,但是难以动态跟踪用户需求变化以及推荐时效性差等问题对推荐结果准确度和质量的影响也不可忽视。而且在这个信息瞬息万变的时代,影响人们需求的情景因素也在不断变化,只有对用户需求进行动态分析追踪,才能取得更好效果。对此,本文在ISUCF算法的基础上,提出一种利用时间衰减和时间窗口模拟用户需求变更的推荐算法ITICF,实验证明,该算法有效提高了推荐准确度和推荐质量。