个性化推荐系统从最初被亚马逊用于互联网购物中，提高了网站自身的用户忠诚度和企业销售额，到如今被越来越多互联网中的其他领域运用，其受重视也越来越高。个性化推荐系统通过分析用户的兴趣爱好，给用户进行有针对性的推荐。协同过滤算法是其最为广泛的推荐技术之一。但是随着推荐系统中数据量的增大，协同过滤算法暴露出在数据稀疏性，冷启动，扩展性和实时性等方面的瓶颈问题。本文在研究协同过滤算法的基础上，提出了一种改进的基于用户-项目的兴趣变化的协同过滤算法。改进后的算法，考虑到人类的遗忘规律，引入了非线性的时间遗忘函数，给予用户在不同时间段的评价的不同权重，突出最近评价对推荐结果的重要性；在概念分层的基础上，设定项目评分阀值，缩减用户-项目评分矩阵，建立候选的数据集，以提高推荐算法的可扩展性；进行根据用户的兴趣偏好进行数据填充，平衡用户兴趣偏好，评分矩阵和项目客观特征属性，预测的评分值更能匹配用户的真实兴趣爱好，有效降低了数据稀疏性和冷启动问题带来的缺陷。本文使用MovieLens数据集，对改进后的算法和传统的协同过滤算法进行对比实验。实验结果表明，改进后的协同过滤算法比传统的协同过滤算法具有更好的准确性和完整性，能有效提高推荐结果的质量。