随着互联网技术的深入发展与应用,在网络上每天都有海量的信息产生与传播,其速度远远超过了用户的反应速度。我们缺乏一种高效、自动化的方案,在用户领域知识有限和需求不明确的情况下,帮助用户从海量的信息中准确地挑选出他们可能感兴趣的内容以此来解决由于信息过剩而带来的问题。在此情景下,推荐系统应运而生。推荐系统运用推荐算法主动地为用户推荐个性化的信息物品。在常用的推荐算法中,协同过滤算法研究最早、应用最为广泛。由于协同过滤算法采取了基于“群体智慧”的思想,从而使得其推荐结果拥有较高的精准度。但是传统的协同过滤算法仍存在着评分标准不一致、用户兴趣偏移、数据利用度不高等问题。本文通过引入时间维度信息和动态混合因子等相关概念来解决上述不足。本文的工作主要有以下4个方面:(1)研究推荐系统相关理论。首先,对推荐系统的研究价值以及系统构成进行了阐述,指出推荐算法是推荐系统的核心且具有重要的研究意义;其次,对推荐系统中常用的非个性化推荐方法、基于内容的推荐算法和基于规则的推荐算法的推荐思想进行了介绍,并分析了其优缺点;最后,重点介绍了协同过滤算法的基本原理和推荐过程,并对基于用户的协同过滤(UBCF)算法和基于物品的协同过滤(IBCF)算法进行了多方面的比较。(2)基于时间信息维度的相关概念对传统的UBCF算法和IBCF算法的相似度计算方法分别进行了改进。首先,指出了在推荐系统的实际应用中存在的用户评分标准、物品自身评分水平和用户兴趣等因素随时间发生变化的客观现象;其次,从时间维度的角度出发,提出了最近用户活跃时间、最近物品流行时间、用户评分标准、物品自身评分水平以及用户兴趣模型等概念,并对其进行了数学建模;最后,依据提出的数学模型分别对UBCF算法和IBCF算法的相似度计算方法进行了改进,得到了改进后的基于时间信息维度的相似度权重计算公式。(3)提出了基于时间信息维度的TUBCF算法、TIBCF算法以及动态混合后的TIUBCF算法。首先,基于改进后的相似度权重公式,分别提出了基于时间维度信息的TUBCF算法和TIBCF算法;其次,指出单一的协同过滤算法仍然存在信息利用度不高的问题,从推荐结果多样性的角度出发,结合常用的算法加权方法,设计了动态混合因子,并对TUBCF算法和TIBCF算法进行了动态混合,从而得到了基于时间信息维度的混合协同过滤算法——TIUBCF算法;最后,通过使用MoiveLens数据集进行了离线实验,并对UBCF、IBCF、TUBCF、TIBCF以及TIUBCF算法进行了基于平均绝对误差(MAE)的预测准确率对比,验证了改进后的TUBCF算法、TIBCF算法和TIUBCF算法在推荐准确率上都有不同程度的提升。(4)从算法应用的角度出发,对医药电商推荐系统项目进行了实践。首先,分析了医药电商推荐系统的基本需求;其次,对项目中所使用的用户显性和隐性行为数据的采集方案进行了介绍,并对相关推荐结果展示模块进行了统一说明;最后,进行了基于首页推荐模块的线上小流量实验,对应用前后的模块点击率和转化率进行了对比,验证了改进后的TIUBCF算法对提高线上收益有一定的帮助。