互联网相关技术的突破为信息传输、实时通讯带来极大的便利,同时日益增多的数据量也成为了在有效的时间内检索到有用信息的阻碍,引发“信息过载”的问题。推荐系统凭借强大的数据过滤能力与能够为用户提供个性化信息推送服务的智能性逐渐成为新网络时代热门技术,但是推荐系统中仍然存在着冷启动、概念漂移等缺陷,是推荐领域中需要解决的新挑战。本文基于用户的特征研究对推荐算法中的问题加以优化。通过研究已有推荐系统的优势和缺陷,针对上述问题提出不同解决方案。本文的创新与贡献为以下内容:首先本文分析了推荐过程中产生的用户兴趣漂移问题,用户兴趣状态随着外部环境中隐式条件的变化而发生偏移。外部条件的变化很难被捕捉,但是它改变的用户状态可以通过用户行为体现出来。因此本文通过对用户动态行为的分析,在用户对项目产生的行为记录中加入时间特性的概念,提出基于用户评分行为时间序列的推荐方案UTBCF算法,对时间权重公式提出改进优化。并在MovieLens-100k数据集上验证其算法的有效性,实验证明优化后的算法相比于原算法有着更好的推荐质量。其次通过对用户的静态画像分析,提出基于用户静态特征的推荐算法USFBF并改进了用户相似度的计算公式,在新用户过度时期作为一种代替推荐策略解决冷启动问题。在用户评分较少的情况下使用用户的静态特征特征对用户进行聚类,再以项目标签对项目进行聚类,建立用户群体到项目群体的联系进行匹配推荐。在MovieLens-100k数据集上证明该算法在应对新用户启动过渡时期是一种良好的推荐代替策略。融合基于用户静态特征的推荐方法与基于用户时序的推荐方法,提出基于用户特征的组合推荐HRBUF算法,对于不同用户的评分数量动态切换推荐方法,综合解决单一推荐策略应对不同用户评分状态时所受的限制。最后实现一个基于web的电影推荐平台应用,使用React Ant-Designed建立前端页面,用户通过浏览器页面与平台在线交互。后台主要使用Flask框架实现,数据库使用MySQL,将本文所介绍的HRBUF推荐算法应用于平台的推荐模块。能够帮助用户检索和推荐感兴趣的电影,提供电影相关信息的展示。