推荐系统为用户提供了关于产品和服务的个性化推荐。在以往的推荐系统中,用户兴趣一直是被认为不随时间改变的。这些以往的推荐系统弱化了用户的兴趣改变。实际上用户的兴趣是一直在变化的,因此如何设计一个实时动态推荐算法来捕捉这种不稳定的用户兴趣偏移成为了关键问题。本课题需要寻找精确而有效的方法和模型来追踪用户的兴趣改变。为了解决用户兴趣偏移带来的预测问题,本文对物品进行聚类等一系列操作,已达到监测用户对物品类别的兴趣偏移程度,进而更加准确地预测用户对物品的评分。在原有的线性预测中加入时间影响因子,并利用线性回归方法精确地拟合用户兴趣偏移。本文针对用户兴趣判定和追踪预测展开了重点研究,并提出了相关改进与创新方法如下:1.研究和分析基于协同过滤的推荐算法现状和不足之处,通过物品聚合的方式和时效模型构造出用户兴趣模型,有效追踪用户兴趣偏移状况。2.分析现存的聚类算法优缺点并结合课题的具体需求,对现有的聚类算法进行了改进,提升聚类算法效果,让聚类结果更加适合用户兴趣偏移模型的需求,提升了模型对于用户兴趣偏移的预测精准程度。3.考虑到用户兴趣会随时间产生较为复杂的偏移,本文运用多种时效模型结合的方式来追踪用户兴趣偏移状况。本课题在三个大型的电影数据集MovieLens 100k、MovieLens 1M和MovieLens10进行了大量的对比实验,实验结果表明本文采用的动态兴趣偏移方法可以做出更加准确的预测。