随着时代进步,信息技术和互联网的快速发展,极大地方便了人们的工作和生活,网络中的海量信息可以满足用户的不同需求,但是信息检索中大量的冗余数据也会造成信息过载问题。如何在网络的海量信息中找到用户需要的数据并精准地推荐是目前面临的主要问题。由于推荐系统可以从大量数据中过滤出用户所需的有效的信息,被广泛应用于许多电子商务平台中。传统的推荐算法主要包括基于用户的和基于项目的推荐,协同过滤推荐作为一种经典的推荐算法,通过系统中用户或项目的特征数据以及交互时用户的行为数据发掘相似的用户或项目,进而预测目标用户对潜在项目的偏好,建立推荐。其中,基于用户的推荐在多样性方面的效果要优于基于项目的推荐算法,应用更加广泛。但目前的推荐方法仍然面临诸如推荐效率低、矩阵稀疏、信息茧房等问题,目前学者多从算法推荐精度、数据稀疏性、冷启动等角度进行算法研究和改进,而推荐结果的时效与多样性很大程度上也会影响推荐系统用户满意度。因此本文以传统的CF算法为基础,研究电影领域用户观影行为的多样性与时效性对用户相似性的影响,解决传统算法中推荐精度不足和多样性不够的问题。本文的主要研究内容如下:（1）本文针对传统推荐算法推荐效率低、推荐列表不能很好满足用户多样性需求的问题,提出融合时效性与多样性的协同过滤推荐算法。算法首先利用用户的观影时间和类型计算时效性与多样性指数,根据用户—评分矩阵计算用户间余弦相似性,进而对相似用户聚类,对同一簇内的用户按照时效性与多样性的相似性进行筛选,找到最终的邻居用户,从邻居用户的观影记录中找到评分较高的影片推荐给目标用户。实验证明,本文提出的推荐算法可以更好地分析用户偏好,推荐结果更符合用户的需求。（2）为了进一步优化该推荐算法,本文通过不同实验,对比分析了多样性与时效性对用户偏好的影响程度、计算用户相似性的不同方法对推荐质量的影响。实验结果表明,本文提出的算法可以很好地对用户进行相似性分析,在一定程度上解决了系统推荐精度和多样性的问题。本文研究的创新点在于参考生物多样性的计算方法分析用户观影类型的多样性,并且在协同过滤的基础上,将多样性与时效性作为筛选相似用户的指标,进而确定推荐的项目列表。实验表明,本文提出的融合时效性与多样性的协同过滤推荐算法能够提高推荐质量、更好地为用户提供个性化推荐服务。