传统隐语义模型推荐算法仅仅使用用户历史评分和部分偏置项,没有充分挖掘到用户更深层次的潜在信息,从而导致推荐效率和用户满意度不高等问题。为了解决传统隐语义模型推荐算法存在的问题,首先对基于项目的协同过滤推荐算法进行研究,通过引入用户浏览信息的先后关系提升推荐精度;其次通过补充时间因素和用户浏览信息的先后关系等方式优化传统隐语义模型,进一步提升该模型的推荐性能;最后将改进后的算法进行融合,并将融合后的推荐结果应用到Web推荐中。主要研究工作为:（1）针对传统基于项目的协同过滤算法中存在的用户行为序列挖掘不充分等问题,提出基于项目正逆序的协同过滤推荐算法。考虑用户对项目的点击过程,引入用户对先后项目的点击顺序,以此来提高因为用户兴趣发生转移而导致的推荐精度下降的问题。（2）针对传统隐语义模型存在的用户潜在兴趣和交互信息稀疏问题,提出基于牛顿冷却定律的时间衰减函数与引入评分修正的隐语义模型推荐算法。通过修正用户浏览项目的顺序、增加偏置项以及引入基于牛顿冷却定律的时间衰减函数对隐语义模型进行了优化。（3）将提出的基于项目正逆序的协同过滤推荐算法、基于牛顿冷却定律的时间衰减函数与引入评分修正的隐语义模型推荐算法通过等权平均法、量纲化处理进行了算法融合,并将整合后的推荐结果应用到了基于Flask框架（MYSQL）的电影推荐中。对改进的基于项目的协同过滤推荐算法、改进的基于隐语义的推荐算法、以及两种算法改进后的融合算法在MovieLens数据集上做对比实验。结果表明,相比传统推荐算法、改进后的基于项目的推荐算法和改进后隐语义摸型推荐算法,提出的融合算法在一定程度上提升了推荐精度。