用户的偏好会随着时间的变化而发生改变，这种现象被称之为用户偏好漂移，用户偏好漂移的存在使得推荐系统为用户做出符合用户偏好的推荐变得困难。推荐系统如果没有考虑到用户偏好漂移的问题，则当系统中不断有新的对象出现，用户的偏好已经发生改变时，推荐系统仍会向用户推荐和他们曾经喜欢的对象类似的对象。实践经验表明，处理概念漂移的时间权值的方法不适用于推荐系统中，该方法认为用户新的数据比老的数据重要，因此赋予老的数据比较低的权值，新的数据比较高的权值。因为老的数据代表了用户的长期的不易改变的偏好，新的数据代表了用户短期的容易改变的偏好，所以我们需要设计一种同时兼顾用户的长期偏好和短期偏好的推荐算法以提高推荐的准确性。本文主要讨论0-1推荐系统中的用户偏好漂移问题，在0-1推荐系统中，用户若对对象采取过某个行为，则记用户对该对象的评价为1，否则没有评价。目前为止，多数的推荐算法在计算相似度时假设用户给对象的评价是1到5之间的整数，不适用于用户对对象的评价只有1的情况。现实中很多系统都属于0-1推荐系统，因此我们针对该类型的系统提出了几种新的相似度的计算方法。社会中的潮流总是由社会成员中的小部分人发起，本文称这些人为潮流发起者，从潮流发起者上获得的潮流信息可以代表用户的短期偏好。我们首先提出了一种新的寻找潮流发起者的算法以在社交网络中发现潮流发起者，然后提出了一个新的推荐算法，该算法结合用户的偏好信息和潮流信息向用户做出推荐。在LastFM数据集上进行的一系列实验表明，相对于经典的协同过滤方法和时间权值的方法，我们提出的推荐模型给出了更好的推荐结果。