随着互联网的飞速发展、PC和平板电脑的普及,电子商务已经成为当今互联网IT产业的经济增长点。但是,与日俱增的不仅仅是用户的数量,同时大量的有用和无用信息也充斥于电子商务领域。如何能够从成千上万的海量信息中,快速找到我们想要的信息,已经成为了一个重要课题。近年来,电子商务网站中出现的个性化推荐系统就是解决这一问题的重要途径。其中,协同过滤推荐算法是应用最为广泛和最成功的推荐技术。但现有算法没有考虑随着时间变化而导致用户兴趣变化的情况,对具有时间强依赖的产品进行推荐时,推荐质量很难得到保证,鲁棒性差。同时,协同过滤算法本身存在的冷启动等问题也会对推荐质量产品影响。本文在协同过滤推荐算法和基于知识的推荐算法的基础上,融合时间属性研究了若干推荐算法的性能。主要工作如下：(1)通过建立优化的余弦相似性模型寻找用户近邻,实现了一种传统的协同过滤推荐算法。实验时选择不同数量的用户集进行测试,分析了邻居用户数量对推荐准确率的影响,对比实验表明：传统协同推荐算法对邻居用户数量具有敏感性,当选择恰当的邻居用户数量时,其推荐准确率会更高。(2)根据产品的时间依赖属性,提出了一种基于时间加权的协同过滤推荐算法。该算法在协同过滤算法基础上融合时间过滤函数进行产品推荐。本文设计了两种时间加权函数,推荐算法可以根据产品的时间依赖关系和产品实际被评价的时间,赋予函数不同的权值。实验结果表明：具有时间过滤功能的协同过滤算法能够敏锐地检测出用户兴趣的变化,使得推荐的产品更符合用户的需求。(3)为了能够检测用户兴趣的变化并且有效地克服传统的协同过滤算法面临的冷启动问题,本文基于混合推荐技术,通过引入时间过滤函数,并结合基于知识的推荐过程,提出了一种融合时间和知识推理的混合协同过滤推荐算法。该算法能够有效克服冷启动问题,即当用户评价数较少时,算法能够通过用户相关的知识推理进行推荐,当用户评价数达到一定程度后,通过协同过滤算法进行推荐。实验表明,该混合算法具有较高的鲁棒性,面对复杂的电子商务模型具有较高的推荐准确率。(4)根据融合时间和知识推理的混合协同过滤推荐算法,设计和实现了一个可应用于电子商务中的电影推荐系统。该系统可以通过用户对电影的评价,寻找用户的最近邻居,并给予最优的电影推荐。