随着网络的发展,在音乐、购物、阅读、电影等方面,我们更加依赖网络带来的便利。随着用户数目的增加、新兴产品的出现,导致了系统所需存储的数据量日益增加。在“数据过载”时代,如果能够从大量数据中获取有价值的信息,那么就能为用户提供更好的服务。因此在电子商务、社交网络、视频网站等平台上,个性化推荐技术的应用受到了很多关注。目前应用最为广泛的个性化推荐技术是协同过滤推荐技术。协同过滤推荐是通过分析用户的历史行为记录得到用户可能感兴趣的商品,从而为用户进行的推荐。考虑到用户的兴趣存在改变现象,而目前关于兴趣迁移的协同过滤推荐都无法根据用户的实际遗忘过程对项目赋予合适的权重,因此推荐也就不准确。本文采用将艾宾浩斯遗忘曲线拟合后得到的非线性遗忘函数来描述用户的兴趣迁移,对此提出基于遗忘函数和用户的协同过滤推荐改进算法,即在计算相似度时,加入遗忘函数因子来体现用户兴趣的变化。采用改进算法在电影数据集MovieLens和EachMovie中分别进行实验及评估,实验结果表明本文提出的改进算法在两个不同的电影相关数据集中均能提高推荐准确性。因此,采用拟合遗忘曲线后的遗忘函数描述用户兴趣迁移可以为视频网站的影片推荐提供可参考的改进方向。