在当今这个信息爆炸的时代，互联网上的信息和数据让人眼花缭乱。推荐系统在对信息和数据的过滤和筛选过程中扮演着重要的角色，推荐系统的存在和发展为互联网用户带来了诸多便利。推荐系统通过分析用户的行为，对用户的兴趣进行挖掘，从而为用户进行个性化智能推荐。协同过滤算法是众多推荐算法中最经典、最常用的。该算法不需要了解用户和物品的属性，而是通过分析用户的历史行为数据，找到用户与物品之间的某种关联模式，从而为用户推荐其可能感兴趣的物品。随着推荐系统近年来受到的关注越来越多，协同过滤算法的变体层出不穷，推荐的效果也越来越好。但遗憾的是，绝大多数算法都是在用户和物品的关系上进行改进和创新，而忽略了一些重要的影响推荐准确率的因素，如时间、地点、用户的意图等主客观信息。近些年来，研究人员开始研究推荐系统的动态特性，将时间、地点、意图等主客观因素加入到推荐模型中，取得了一定的进展。相比起推荐领域两大问题中的评分预测问题，Top-N推荐在实际的推荐系统中更为常见。它利用隐性数据，通过分析用户的日志行为数据，为用户推荐他最可能喜欢的N个物品。本文基于Top-N推荐问题完成了以下工作：1.对推荐系统进行了一个全面的介绍，着重介绍了推荐算法中最常见、最经典的协同过滤算法。2.提出全新的级联二部图的概念，很好的解决了用户与物品之间关系的描述问题，完成静态的Top-N协同过滤推荐。3.分析了时间这一客观因素在推荐系统中发挥的重要作用，阐述了时间对用户兴趣所产生的影响，并将时间合理有效地加入到级联二部图中，进行动态Top-N协同过滤的推荐。4.完成基于CiteULike数据及的实验，并对实验结果进行分析和探讨。实验表明，本文所提出的基于级联二部图动态协同过滤Top-N推荐方法有效地提高了推荐的准确度。该实验也证明了“时间”这一客观动态因素对于推荐系统是至关重要的。