随着电子商务的崛起,越来越多的人选择使用电商去购物,同时对电商的购物体验有个更高的要求。个性化推荐系统就是为了增加客户的购物体验而生的,在现实中应用广泛。个性化推荐算法中,应用最成功的是协同过滤推荐算法。本文分析了现有协同过滤算法存在的不足,以及关于时间动态性的研究现状,指出了一个重要的问题——商品是有先后购买顺序的。传统的协同过滤算法只考虑了用户或商品之间的相关程度,并没有根据商品的序列模式进行挖掘并推荐。本文结合现有算法的优点,加入了时间动态性的特点,提出了一个考虑时间动态性的协同过滤推荐综合性改进算法,并通过真实的电子商务销售数据进行实验测试,验证了其推荐效果更佳。本文的主要内容包括以下几点:(1)通过对现有文献的综述研究,找到目前学者们的研究重点和研究方向,总结现有研究的特点,分析传统协同过滤推荐算法的不足之处,总结出现有算法大多只在某一两个方面进行改进,而加入时间动态性的研究也只停留在用户兴趣的改变上,从而引出了本文要研究的方向和重点。(2)结合现有研究中的优秀改进方向和改进方法,加入商品序列模式的筛选和去除热门效应的影响,提出一个综合性的协同过滤推荐算法解决方案。其核心的思路可以总结为首先对原始数据集进行预处理,包括去噪音和聚类等;然后用一个新的相似度函数进行计算最近邻居,这个相似度计算函数考虑了热门系数,评分系数和时间系数;最后使用GSP算法挖掘商品的序列模式,对推荐结果集进行再次筛选,解决了用户买鼠标后给其推荐电脑的问题。(3)收集了亚马逊的真实评论数据,对本文提出的改进算法进行实验设计和推荐效果验证。与传统的协同过滤算法进行比较,提高了推荐的准确率,并改善了传统算法中存在的数据稀疏性等问题,验证了改进算法的推荐效果更优秀。