随着个性化推荐技术在电子商务的广泛应用,人们越来越重视准确收集和利用用户的个性化兴趣信息以提高现有推荐系统的效果,这对于提高用户满意度和平台最终成交量有着积极的影响。其中应用最广泛的协同过滤推荐算法,其核心思想是通过建立用户和信息间的联系过滤掉冗余无关信息,将更符合用户兴趣的内容提供给用户。在实际情况中由于用户和项目数量庞大种类繁多,传统协同过滤存在计算量过大和数据稀疏性等问题,为解决这一问题,很多学者对传统的协同过滤进行了改进。目前对于利用用户兴趣信息的相关研究主要围绕提取用户行为信息,并通过分析用户对项目兴趣偏好特点提供推荐。在实际用户操作中充满大量时序行为,比如浏览记录,购买记录,甚至是鼠标点击所包含的用户操作信息等,这些时序反馈信息量,反馈来源于用户的自然行为表现,更接近于真实偏好指标。然而很多时序推荐忽略了用户偏好的历史动态变化特征,用户兴趣往往随着时间推移而变化,所以在考虑用户反馈信息的同时,也要结合时间序列的分析某种趋势在随时间发展的趋势,利用趋势的有向性和延伸性对用户下一步行为进行预测和推荐。时序推荐方法主要针对不同的数据簇在序列上时间先后顺序演变特征,构造对应的预测方法进行预测。近年来,时间序列模型被广泛用于生活和生产,比如金融预测、交通预测等。许多时序模型结合人工智能技术进行改进,一方面增强了预测模型的泛化能力,另一方面可以融入更多的异源时序信息,提升预测准确度。尽管有很多关于时序预测方面的研究,并在平稳变化的数据中可以有效预测。但对数据特征模糊的波动序列不能有效处理,比如无序波动的序列用现有传统时序数据预测框架效果较差。此外,在推荐系统中,大量用户拥有不同特征的序列,序列波动特征繁杂,不易归一化,很难用一种规律描述全部用户特征。因此本文提出一种基于神经网络与模糊聚类混合时序预测方法用于环境复杂的推荐系统,通过改进糊通聚类方法对特征不明显的时间序列数据分类,构建模糊逻辑关系群进行预测。通过分析序列时间数据片波动幅度的阈值将序列按兴趣波动幅度划分为小幅波动与大幅波动,并分别使用改进的神经网络梯度下降学习和模糊聚类方法的混合方法模型分别针对处理,有效结合两种方法处理时间序列的优点,进一步提高预测的准确度。