现代网络技术水平的提高带来了信息过载的问题,用户很难从巨大的信息中找到用户需要的内容。为了解决这个问题,推荐系统被提出并延伸出了诸多改进。这其中就包括缓解了数据稀疏性问题的矩阵分解模型以及诸多改进模型等。它们能从用户的行为数据中挖掘出用户的行为规律,从而给用户更准确地推荐结果。然而,矩阵分解技术也存在着一些问题。其中一个问题便是它只关注用户的行为数据,并没有从时间的角度来考虑用户的兴趣变化。虽然有通过融入时间因素改进矩阵分解的算法,但是它们所用的时间规律并没有从真实的用户行为数据中提取。本文从给矩阵分解模型增加时间因素出发。首先,调查统计了大量的真实用户行为数据,得出了用户兴趣度和物品流行度在时间上所具有的规律。然后对统计所得的结果进行回归分析,通过分析时间因素以怎样的规律影响用户兴趣和物品流行度,进而拟合出相应的曲线。然后将物品流行度的时间曲线和用户兴趣度的时间曲线分别与基于偏置的矩阵分解模型相融合,并分析在时间因素影响下用户和物品偏置对推荐结果的影响。最后,本文通过实验验证了基于时间因素改进矩阵分解模型的准确性确实有所提高。