因特网的爆炸式成长和电子商务的出现导致了推荐系统的发展。推荐系统是一种个性化信息过滤技术，它被用来预测某个用户是否喜欢某个项目(预测问题)，或被用来确定某个用户最感兴趣的N个项目(top-N推荐问题)。近年来，推荐系统被广泛应用于很多不同领域，比如向顾客推荐他很可能购买的产品，向用户推荐他喜欢的电影、电视节目或音乐，确定用户感兴趣的网页，甚至向用户提供一种搜索信息的不同方式。 本文主要研究了个性化推荐系统和协同过滤推荐算法。协同过滤算法是目前最成功的一种推荐算法，它能够基于其他用户的观点帮助人们做出选择。由于传统的协同过滤算法没有考虑用户兴趣变化问题，当用户兴趣发生变化时将导致它的推荐质量较差。为了解决该问题，本文提出了一种基于逐步遗忘策略的协同过滤算法：首先，本文借鉴了心理学中的遗忘规律，分别设计了线性和非线性遗忘函数，旨在降低用户旧兴趣影响下的评分的重要性。然后，用遗忘函数赋予推荐系统中每项评分一个不同的权重，利用加权后的评分确定不同用户之间的相似度，使得用户之间的相似度计算更加准确。最后，利用基于用户的协同过滤算法为目标用户确定邻居用户并形成推荐。 基于MovieLens数据集，我们对基于逐步遗忘策略的协同过滤算法进行了测试，实验结果表明：当用户兴趣发生变化时，基于逐步遗忘策略的协同过滤算法在准确性方面优于传统的协同过滤算法。