随着信息科技的进步和互联网的日益普及,人们通过Inernet足不出户就可以享受网络服务带来的便利,同时人们也承担着“信息过载”的压力,如何快捷准确地提供满足用户需要的信息,已成为学者广泛关注的问题。推荐技术的出现为解决此问题提供了一个较好的解决方案,推荐技术通过推荐算法预测用户的兴趣,推荐用户可能喜欢的资源,过滤掉用户可能不喜欢的资源,使网站的商品、新闻、广告等能够最大程度的向特定的用户推广。推荐技术改变了人们获取信息的方式,从主动检索到被动接受,用户也能通过网站的推荐快速有效的找到自己喜欢的资源,最终提高用户对网站的满意度和忠诚度。人们的兴趣随时间的推移而变化,人们的记忆随时间的推移而遗忘,传统的推荐技术无法反映时间推移对用户兴趣变化影响和记忆遗忘的用户浏览行为的影响。本文以传统的协同过滤技术和艾宾浩斯记忆遗忘理论为基础,提出采用时间加权的方法对用户的时间访问序列进行分析,通过线性遗忘函数和正态遗忘函数来反映用户兴趣的变化,预测用户兴趣,产生推荐结果。改进后的推荐算法不但能够反映时间推移对用户兴趣的变化的影响,而且能够根据用户记忆的遗忘程度向用户有计划地有规律地推荐信息,以达到加深用户记忆,满足用户需求的目的。Agent能够自动感知周围环境的变化,并自主做出反应,影响周围的环境。本文将Agent技术应用在信息推荐领域,辅助推荐系统实现数据智能收集、分析、处理和推荐。在具有Agent运行环境的网络节点上,移动Agent能够携带运行所需的程序代码和运行状态自由地迁徙,在网络中主动寻找空闲的主机,然后迁徙到该主机上执行推荐计算,从而节省了网络带宽和提高了网络上主机的资源利用率。最后,文章提出了基于Agent的推荐系统的结构模型,论述Agent在推荐系统中的工作流程和通信机制,并实现了基于Agent的推荐系统原型和对改进后的推荐算法进行验证和分析。