随着信息过载问题愈发严重,推荐技术应运而生。但是,当下推荐研究中仍存在一些问题,其中搜索中的推荐同质化现象和购物后的重复推荐现象尤为突出,这已经严重影响了推荐的质量。为此,本文对这两方面问题展开研究提出解决办法,旨在提高推荐算法的推荐质量。推荐应源于用户需求,它对推荐质量有着重要的影响。本文先对用户需求进行了研究。用户需求是一个营销学上的抽象概念,极易发生变化且难以度量。研究发现,受用户需求的影响网购用户行为常具有一定的目的性。进一步研究表明,网购中这种目的性多表现为用户兴趣。因此,本文在研究了用户兴趣的基础上,提出了一种基于用户兴趣的需求判别法。在此基础上,本文对上述两个问题进行研究。针对推荐同质化问题,本文提出了一种基于用户兴趣和时间的协同过滤算法。首先分析网购用户行为提取特征进行用户聚类,并使用需求判断法判断用户需求,减少无需求情况下的误推以提高精确性;然后利用热度优化法和相似度优化法对候选推荐列表进行二次优化,降低畅销物品被推荐的概率(较高比例的畅销物品会局限用户视野,且不利于长尾物品的销售)和推荐列表物品间相似度,从而实现增强推荐多样性的目的。针对重复推荐问题,本文提出了一种基于用户兴趣和时间的协同过滤算法。由于用户兴趣会随着时间流逝逐渐消失,因此在算法中引入时间情境考虑“时间效应”对用户兴趣的影响,提出了一种兴趣衰减函数来动态跟踪用户兴趣改进传统预测评分公式,并在形成推荐列表时对用户已购物品进行过滤,从而实现降低重复推荐的目的。为了验证本文算法的可行性和有效性,与现有的同类算法在淘宝用户访问数据集上进行了对比实验。实验结果表明:针对推荐同质化问题,本文提出的算法与同类算法相比,在准确度相同时多样性性能优于同类算法;针对重复推荐问题,本文提出的算法重复推荐率更低,同时具有良好的推荐准确性和多样性。