信息技术和互联网的发展导致信息总量急剧膨胀,人们已经从信息匮乏的时代进入了信息过载的时代。信息过载对用户和信息生产者都提出了很大的挑战:对于用户来说,从海量的信息中找到有价值的信息变得相当困难;对于信息生产者来说,他们生产的信息也很难得到用户的关注。在众多信息过载问题的解决方案中,推荐系统脱颖而出,它能够根据用户的历史行为数据分析用户兴趣,自动地为用户推荐他们可能感兴趣的物品。推荐系统通常利用用户行为数据、标签和上下文信息来预测用户评分或者为用户推荐物品。本文主要研究三部图中不同信息组合方式对于推荐结果质量的影响;提出了一种同时考虑用户长期和短期兴趣的类型概率算法(Type Probability),进一步考虑时间效应为用户进行推荐。第一,本文构造了关于评分信息和标签信息的三部图,根据不同信息的组合提取了十种推荐算法。前两种算法只考虑用户和物品之间的关系,为传统的协同过滤算法。中间四种算法分别以用户或物品为中心,利用评分信息和相应的标签信息来预测用户评分或生成推荐列表。最后四种算法只考虑不同类型的标签信息,利用标签信息进行评分预测和Top N推荐,为基于标签的推荐算法。本文分析了以上十种算法的时间复杂度,使用平均绝对误差(MAE)和均方根误差(RMSE)对比了十种算法评分预测的准确度。在Top N推荐方面,比较了不同算法Top N推荐结果的准确率(precision)、召回率(recall)和覆盖率(coverage)。在MovieLens 100K和MovieLens 1M上的实验结果表明:物品标签-物品-用户的信息组合最佳;使用线性融合后的信息能够有效地提高算法评分预测和Top N推荐的质量。第二,模拟推荐系统真实运行场景,进一步研究了时间上下文信息对于推荐结果的影响。本文提出了同时考虑用户短期兴趣和长期兴趣的类型概率算法,比较了三种非个性化推荐算法和四种个性化推荐算法Top N推荐的命中率(hitratio)。在MovieLens 100K上的实验结果表明:时间上下文信息对于提高Top N推荐命中率至关重要;在考虑时间效应后,时下热门算法的命中率要高于其他算法,本文提出的类型概率算法在特定时间窗口下的能有效提高推荐的命中率。