推荐系统作为解决信息过载的重要手段之一,已经引起了广泛的科学研究和商业应用。早期的推荐系统研究主要是从用户和物品之间的关系出发,研究员通过分析用户评价数据和历史记录来预测用户对物品的喜爱程度,而忽略了时间信息对推荐系统推荐效果的影响。实际上用户的喜好和物品种类都是随时间变化而变化,时间信息的变化对推荐系统结果有很重要的影响,现在越来越多的研究员们开始了结合时间信息的动态推荐系统的研究工作。因此本文在现有多数推荐系统没有考虑时间因素在内使得系统推荐质量不高的情况下,对梯度下降的矩阵分解(Reserved Singular Value Decomposition,简称RSVD)算法进行了研究和改进。本文在实验MovieLens数据集中加入了和时间上下文相关的用户偏置和物品偏置信息,同时结合用户特征信息和物品特征信息提出了一种基于时间上下文的动态改进FeatureTRSVD算法。并且通过实验验证,该动态推荐系统算法对推荐质量和效率有了显著提升。本文工作主要有如下几个方面:第一,本文介绍了传统推荐系统的概述,并且对动态推荐系统的定义作了简要说明。另外本文详细介绍了几种传统协同过滤推荐算法,并指出了现有推荐算法存在的问题,传统推荐相似度计算和推荐质量评估的标准。本文也对时间上下文做了介绍,为本文的研究工作铺设了理论基础。第二,本文以梯度下降的矩阵分解(RSVI))算法为基础进行研究和改进,对实验数据集加入了和时间上下文相关的用户和物品偏置因子,再融合用户和物品的特征信息,提出了基于时间上下文的动态改进FeaturTRSVI)算法。第三,本文采用含有时间信息的数据集在Mahout平台进行相关实验,实验结果表明,本文提出的动态的改进Feat ureTRSVD算法与传统的时间无关的静态协同推荐算法进行对比,它有效提高了系统的推荐质量,同时还提高了系统推荐效率。最后,本文在前述理论基础上设计了动态推荐系统的原型系统。该系统能够实时响应用户的最新行为,并根据用户行为的变化来实时的调整推荐结果,从而不断改善用户在推荐系统中的体验。