随着信息化时代的来临,计算机网络技术被广泛的应用在各大电子商务系统中。去购物网站选购自己喜欢的商品已成为当代人们生活中不可或缺的一部分。但是系统中大量且复杂的信息会影响用户对商品及服务做出快速且满意的选择,为此,推荐算法的研究应运而生。在目前较为流行的推荐算法中,协同过滤算法在大量的实践中逐渐显现出优势,但是传统的协同过滤算法没有考虑到用户偏好的时间效应,没有把用户行为发生的时间信息作为推荐的参考因素。然而在现实生活中,用户的兴趣偏好很可能会随着时间的流逝发生改变,因此研究用户兴趣的时间效应,对提升推荐算法预测用户当前兴趣的能力具有重要意义。本文在以往协同过滤算法的启发下,首先,在传统协同过滤算法中的基于用户的最近邻推荐算法的基础上融合时间衰变因子,构造时间衰变函数,根据用户对项目的历史评分数据,对于不同时期的评分数据,在推荐过程中对其参考价值赋予不同的权重,进而对用户的兴趣偏向进行进一步的筛选和过滤;然后,针对当前推荐算法普遍遇到评分矩阵数据稀疏性问题,本文讨论了一种解决方案,融合了基于关联规则的推荐算法与基于时间权重的协同过滤算法构成混合推荐算法。这种混合策略的好处是成功的规避了两种算法在推荐精度上的弊端,在一定程度上大幅度提高了推荐的准确性,使算法的应用范围更加广泛。本文研究的基于时间权重的协同过滤推荐算法在计算用户对未知项目的预测评分时主要采用余弦相似度和平均评分偏差公式进行计算;采用指数函数作为时间衰变函数。最后将Movie Lens数据集作为本算法仿真数据来源,设计三个实验,实现对用户的电影推荐,通过比较基于用户最近邻的协同过滤算法、基于时间权重的协同过滤推荐算法及混合推荐算法的准确率、MAE及置信度等指标,来说明本文提出的算法具有良好的可行性和有效性。