随着互联网的飞速发展,信息的数量呈现指数式增长。人们每天生活工作中都主动或被动地接受过载的信息,这无形中增加了人们生活和工作成本,因此,单位时间本身价值和单位时间搜索价值之间产生了无形的矛盾。基于以上问题,推荐系统为了适应互联网的高速发展应运而生,推荐系统主要作用是实现智能推荐。传统的推荐系统都是基于推荐算法本身的性能进行改进,把用户资源信息视为一种静态、不可变化的资源进行用户项目之间的运算,虽然提高了推荐系统的性能,但是不能极大地满足人们的心理需求。随着互联网的不断发展,计算机技术快速进步,基于用户的个性化推荐方法成为学者们的重要研究对象,实现了从单纯的算法优化到算法和用户心理相结合的转变。在现实生活中人的心理活动影响着推荐系统的推荐效果,由于人的心理活动会受到自身需求和外界因素的影响,存在心理不稳定状态,因此要实现真正个性化推荐,基于用户心理挖掘分析显得尤为重要。本文从用户行为、遗忘、兴趣特征进行心理挖掘,通过国内外对用户心理活动的相关研究分析,用户的动态心理活动是影响系统推荐的重要因素,提出关于用户心理分析的相关思路,常用方法就是对影响用户的心理的特征因素进行量化分析,实时的动态预测用户的心理趋势,结合相关推荐方法进行精准推荐。本文首先从用户的行为特征进行直观的行为信息提取,提出了基于RFM模型群组行为分组方法,该方法能通过显性行为给用户分类,通过增量式的用户行为习惯挖掘,在一定程度上避免大数据下分类难的问题,实现对用户行为数据的自动获取;其次从用户的心理学固有规律和动态兴趣进行研究,提出了基于用户遗忘曲线的动态兴趣模型,从用户的遗忘加强方面进行量化分析,通过兴趣的变化来预测用户的兴趣度;最后将基于用户群组行为和基于遗忘曲线的动态兴趣模型相结合,通过聚类算法实现用户聚集以及协同过滤式推荐。通过MovieLens数据集进行相关对比实验,得出本文方法具有较强的适用性和推荐价值。