“信息迷航”和“信息过载”问题由来已久,推荐系统能够帮助用户在海量的产品空间中进行筛选。但是传统的推荐算法以静态算法为主,其基本假设是用户兴趣是静止不变的。这种假设与事实不符,导致面对现实数据时,传统算法存在推荐准确性差、算法可解释性差等诸多问题。事实上用户兴趣不仅不断变化,而且具有一定的规律。在目前用户兴趣建模的研究成果梳理中发现,考虑用户兴趣动态变化的研究往往将用户兴趣衰减同等对待,较少为用户兴趣类型进行区分,即使有部分研究考虑到长短期兴趣问题,也仅从时间因子识别方面加以分析,没有从用户对项目属性关注的数量、用户活跃度、项目流行度等考虑,使长短期兴趣信息表述不够完整,用户兴趣刻画不够全面。另外,推荐领域的绝大多数文献都侧重于处理显式数据,然而在许多实际情况下,特别是在电子商务领域需要处理隐式反馈数据。本文基于隐性反馈数据提出了融合长短期兴趣和矩阵分解协同过滤的混合推荐模型LSIMF(Long-term and Short-term Interest and Matrix Factorization for Collaborative Filtering),主要贡献有:(1)本文构建的混合模型对数据稀疏、用户兴趣刻画不细致以及传统应对兴趣漂移的算法过于注重时间因素而忽略主动探索用户的新兴趣等问题提出了解决方案。通过将用户—项目偏好矩阵换为用户—属性偏好矩阵,降低了矩阵稀疏性。通过用户偏好建模以及用户兴趣模式的细分,得到用户偏好文档和用户兴趣分布。通过融合矩阵分解的协同过滤,主动探索了用户的新兴趣。(2)实验结果表明,与遗忘曲线、时间窗口和基于矩阵分解的协同过滤算法对比,本文提出的混合推荐模型LSIMF在精准率、召回率、F1-Score评价指标上有较明显的提高。(3)本文计算用户兴趣偏好时,优化了推荐中随时间变化的兴趣漂移问题,提取了用户长短期兴趣集合、用户活跃度、项目流行度等相关指标,可为用户自动打标签,为后续研究用户兴趣的动态演化过程或者网站功能扩展提供更多选择。