推荐系统收集用户的行为历史数据,构造相关模型预测用户需求和兴趣,为用户过滤出有用的信息,为当前大数据时代的“信息过载”问题提供了解决方案。协作过滤是推荐系统中广泛使用的一种算法。它只需要“用户项目”之间的少量历史评分数据就能高效构建推荐系统预测用户的需求。然而,随着数据规模的扩大,数据类型丰富度的增加以及应用环境的多样性。数据稀疏性,可伸缩性,实时性等是目前协同过滤算法遇到的主要问题。本文针对协同过滤算法中的数据稀疏性和实时性问题进行了研究,对基于隐语义模型的协同过滤算法进行改进。主要工作体现在以下两个方面:第一,实时性一直是协同过滤算法研究中的主要问题,用户对项目的偏好会随时间发生变化,项目本身也会在不同时间段表现出不同概念。因此,对时间动态建模对于设计推荐系统或一般用户偏好模型是必不可少的。本文在传统的SVD++算法的基础上进行改进,对评分数据随时间变化规律进行建模,分别融入了用户偏好特征因子时间信息、用户时间偏置和项目时间偏置,在此基础上还加入了用户特征信息,提出了一种新的改进算法:SpecialTSVD++算法。本文改进的算法加强了数据与时间的联系,体现了推荐结果随时间的动态变化,提升了预测评分的准确度。第二,针对协同过滤算法存在的数据稀疏性问题,本文结合基于密度的主动学习策略和SpecialTSVD++算法,提出了ESpecialTSVD++算法,该算法通过为现有用户自动“添加”评分来降低评分矩阵的数据稀疏性。其方法将原有的矩阵拆分成密集型的子矩阵,子矩阵的评分数据都由评分较多的用户提供,再对子矩阵中的缺省值用SpecialTSVD++算法进行预测填充从而得到完整矩阵,最后将已经完整填充的子矩阵融合进原始矩阵中,提高了原始矩阵中的已知评分数量,使得原始数据更加丰富,推荐准确度得到提升。进一步本文在原本单层ESpecialTSVD++模型基础上提出了多层模型,多层的ESpecialTSVD++模型通过迭代式的训练学习解决了单层模型在预测数值较多时和原始模型数据偏差较大的问题。