随着互联网的快速发展,信息过载已是当今时代的一个普遍现象。面对海量信息,如何从中提取出用户感兴趣的内容,已成为互联网服务的关键问题。协同过滤推荐技术对用户的历史行为进行挖掘,对用户兴趣进行建模,对用户未来的行为进行预测,已广泛应用于各种互联网服务中。然而,目前的协同过滤算法不能及时反映用户的兴趣变化,且在用户-项目评分矩阵稀疏时,推荐准确性差。本文针对这两个问题,分别对用户兴趣变化和项目相似性进行建模,研究基于时效性建模和特征融合的协同过滤技术,主要工作包括:针对人的兴趣随着时间的流逝而不断变化这一特征,提出了一种基于艾宾浩斯遗忘模型的协同过滤推荐算法。人的兴趣随着时间的流逝而不断变化,是一个自然遗忘的过程,可用遗忘曲线来刻画。该算法用遗忘函数来模型化人的兴趣变化,将用户评分的时效量化函数作为时间因子,对用户的原始评分进行衰减处理,以此来反映用户的兴趣变化。评分的时间因子作为评分属性的权重,引入到用户相似性的计算中,能够有效提高推荐的准确性。另外,考虑到两用户共同评分数目占总评分项目数目的比例,引入收缩因子对计算出的相似度进行校正,构建出一种基于艾宾浩斯遗忘的相似度计算模型,然后根据该模型计算出用户的邻居集合,最后采用评分预测公式给目标用户选取推荐的项目。实验结果表明,改进的方法能有效提高预测准确率。针对用户-项目评分矩阵稀疏时推荐准确性差这一问题,提出了一种基于特征融合的协同过滤推荐算法。该算法从项目属性和项目评分这两个方面分别挖掘项目之间的相似性,构造了一个带权重的综合相似度度量公式,对评分矩阵中的未知评分进行预测填充。然后根据用户间相似度计算模型找出目标用户的邻居集合,再根据评分预测模型预测目标用户对未评分项目的兴趣度,确定推荐项目。该算法增加了用户-项目评分矩阵的数据密度,缓解了用户-项目评分矩阵稀疏性引起的相似度计算不准确问题。实验结果表明,该方法能有效提高预测准确率。