随着互联网的爆炸式发展,互联网给我们提供了海量信息和选择。但人们并没有因此获益,反而在信息过载前显得无所适从。推荐系统向用户提供个性化推荐,帮助人们做出更好的选择,被证明能够有效解决信息过载问题。随着移动互联网、物联网等技术的迅速发展,上下文信息逐渐受到研究者的重视。时间是最重要的上下文属性之一,时间的动态特性使用户兴趣和物品流行度随着时间动态变化,同时,时间带来了环境的周期变化。传统的个性化推荐方法针对用户与物品的二维关系,分析用户的历史行为记录,预测用户对物品的兴趣,没有很好的利用时间等上下文信息。因此,如何在设计推荐系统中有效的利用时间上下文是当前研究的问题之一。本文分析了时间的动态特性并提出了一种基于用户的协同过滤算法的改进方案。在计算预测评分时,本文考虑到用户兴趣随时间衰减的特性,引入时间衰减函数作为权重;同时,在计算用户相似度时,传统的相似度表示方法均存在着局限,我们采用Jaccard Uniform Operator Distance(简称JacUOD)来计算用户间的相似度以同时体现用户间评分的差异以及用户历史评分之间的相交程度。实验结果证实了改进方案提高了推荐准确度。此外,本文考虑时间的周期特性,利用分类时间感知建模方式,将时间视为周期性的分类属性,如一年十二个月或一周七天等方式,建立“用户×物品×时间”的张量推荐模型。然后类比矩阵分解在推荐系统中的应用,我们选择使用高阶奇异值分解模型表示预测评分张量,定义预测模型与历史评分间的损失函数,采用随机梯度下降法优化推荐模型。最后通过优化后的分解模型预测用户在特定时间段对物品的兴趣。实验表明本文提出的基于时间周期特性的张量分解算法能够捕捉时间周期性带来的季节效应,在季节效应明显的数据集上的离线精度高于传统的矩阵分解推荐算法。