伴随着互联网的迅猛发展,各类信息琳琅满目,从而导致用户在信息面前出现迷失现象。因此,研究如何为不同的用户提供不同的服务,已经成为亟待解决的问题。Web个性化推荐系统通过研究不同用户的兴趣和浏览行为,来预测用户对项目感兴趣的程度,以为不同用户提供高效的推荐体验。　　 本文研究了协同过滤推荐算法,包括基于用户(user-based)和基于项目(Item-based)的协同过滤算法。基于用户的协同过滤算法基于这样的假设:如果某些用户对某些项目的评分相似,则这些用户对其它项目的评分也相似。基于项目的协同过滤算法基于这样的假设:用户对不同项目的喜好存在相似性,用户一般更加倾向于购买那些与他已经购买的项目相似或者相关的项目,要预测用户对特定项目的喜好程度,只需要知道用户对与该项目相似或相关的已经购买项目的喜好程度。　　 论文的工作如下:　　 (1)传统的协同过滤技术没有反映用户兴趣的变化,以致推荐质量差。针对此问题,从艾宾浩斯记忆遗忘曲线得到启发,考虑了用户访问项目的具体时间对用户兴趣的影响,提出一种适应用户兴趣变化的指数遗忘协同过滤算法,利用基于用户访问项目时间的指数遗忘数据权重来逐步减小项目相似度的数据权重。　　 (2)针对传统协同过滤算法在用户相似性和项目相似性计算时,将用户的评分值直接作为预测未评分项目的贡献问题,提出融合用户评分时间和项目评分时间的协同过滤算法。首先,在基于用户评分时间的协同过滤和基于项目评分时间的协同过滤中,将基于时间的指数函数作为评分值的权重。用户对目标项目最终的预测评分,由基于用户评分时间的协同过滤产生的预测评分和基于项目评分时间的协同过滤产生的预测评分加权得到。实验表明,基于用户评分时间的协同过滤和基于项目评分时间的协同过滤都优于传统方法,而提出的融合算法又有进一步的改善。