随着互联网服务的迅速发展,“信息爆炸”和“信息过载”促进了人性化推荐系统在电子商务、影视娱乐等服务方面的发展。人性化推荐系统通过分析收集到的用户信息来建立用户兴趣模型,根据相应的推荐算法,对用户提供个性化推荐服务。根据用户对项目的历史评分记录提出准确度更高的推荐算法,是每一个推荐系统应该高度重视的内容,也是本文研究的出发点。本文的主要研究内容和创新点如下:1、对推荐系统的设计模块流程、评价指标、常见问题和目前常用的推荐算法进行了综合的介绍。通过对推荐系统的各个模块的了解和常见算法的理解分析,明确系统需要改进的地方和传统算法的优缺点。2、通过添加时间因子,提出了基于用户动态行为项目相似度的推荐算法(DIBCF)。在邻居模型的协同过滤算法中,项目相似度具有稳定的优点,本文在基于项目相似度推荐算法的基础上添加时间窗,为包含在时间窗中的项目相似度分配较高权重,从而提高推荐性能。3、通过添加时间因子,提出了基于用户动态行为SVD++的推荐算法(DSVD++)。在潜在因子模型的协同过滤算法中,目前的SVD++算法具有分析用户隐性反馈因子和用户项目特征的优点,在此基础上提出了用户评分偏差随时间变化的函数,通过准确地追踪用户的兴趣偏移,纠正推荐的评分分值,从而提高推荐性能。4、通过线性组合DIBCF和DSVD++,提出了基于用户动态行为的协同过滤推荐算法(DCF)。该算法通过结合DIBCF算法中项目相似度稳定性的优点,和DSVD++算法中用户项目特征维度与隐性反馈特征的优点,并综合时间因子的考虑,从而提高推荐的准确度。5、通过Netflix数据集进行仿真实验,并利用MPI并行运算机制仿真本文设计的算法DIBCF、DSVD++和DCF,经实验验证提出的考虑用户动态行为的协同过滤推荐算法优于其他传统算法,能够很好的提高推荐系统的预测性能。本文提出的基于用户动态行为的协同过滤推荐算法,从理论分析到实验仿真都说明了能够提高个性化推荐系统的推荐性能。