利用隐式反馈数据进行Top-K推荐是推荐系统领域中的一个经典问题,针对这个问题研究人员提出了很多算法。这些算法当中比较经典的是基于物品的单类协同过滤(item-based OCCF)和基于用户的单类协同过滤(user-based OCCF)。基于模型的单类协同过滤算法如贝叶斯个性化排序(BPR)和分解的物品相似度模型(FISM)是比较前沿的OCCF方法。在实际的推荐系统中,我们往往能够获得带有时间戳信息的数据集。一方面,我们知道时间信息肯定是非常有用的,另一方面,经典的单类协同过滤算法无法很好地利用时间信息。在这样的背景下,研究人员试图提出能有效利用时间信息的单类协同过滤算法。本文的所有章节正是围绕着如何有效利用时间信息提高推荐性能写成的。首先,针对贝叶斯个性化排序(BPR),我们提出了TBPR,它在BPR的损失函数中引入了时间衰减函数,使得每个训练记录在损失函数中的权重不完全一样,由此利用了时间信息。实验表明,衰减函数的引入能够提升算法的推荐效果。其次,本文提出了集成学习模型TEL,它包含若干个串行生成的TSL子模型。我们在合理范围内周期性地改变TEL的目标函数,试图让最终的集成模型具有较强的鲁棒性。最后,我们提出了基于时间序列的双向物品相似度。利用基于时间序列的双向物品相似度和一种名为活跃用户会话窗的权值函数,我们提出了一个面向物品的基于邻域的协同过滤算法框架。该算法是针对序列预测问题的基于邻域的协同过滤方法,而现存序列预测方法一般是基于模型的。在我们的实验中,新算法的推荐性能优于传统的基于物品的单类协同过滤算法。