随着Internet与信息技术的飞速发展,互联网中各种类型的数据量迅速地增长,这种信息资源的不断膨胀,出现了所谓的“信息过载”和“信息迷行”的现象,使得人们在庞大的信息量中很难找到对我们有价值的资源。因而为了使人们更准确有效地获得对我们有用的信息,一种能够为用户主动提供信息的推荐系统便应运而生。推荐系统是根据用户以往的访问记录、对项目的评价信息、或项目之间的相关性来构建用户的兴趣模型,并根据该模型向用户推荐其可能感兴趣的项目。比如:一个电影网站可以根据用户的观看历史和对影片的评分,获得用户对电影的偏好信息,从而为用户推荐他们最可能感兴趣的影片。研究人员发现:个性化推荐问题存在用户兴趣漂移的现象。也就是说人们的兴趣不是一成不变的,而是会随着时间的推移而有所改变。而传统的推荐方法并没有考虑到这一点。在充分认识这一问题后,本文以传统的协同过滤技术和记忆遗忘理论为基础,提出了一种基于人的自然遗忘特征来追踪用户兴趣变化的算法。改进的推荐算法不仅能够体现用户兴趣随时间流逝而变化的影响,而且能够根据其遗忘的程度有侧重地推荐项目,以达到加强用户记忆的效果,为用户推荐其真正感兴趣的项目。本文提出的用户兴趣漂移跟踪算法的主要思想是为项目找到恰当的时间权重,也就是说用户最近给出的评分对当前要预测的项目有较大的贡献。直观上,我们认为最近的评分信息也就是用户当前主要的兴趣点;距离当前时间越接近的项目评分,它就有相对较大的时间权重。本文的主要工作包括以下几个方面:首先阐述了协同过滤算法的相关技术;然后介绍了推荐系统的评价标准;接下来回顾了用户兴趣漂移建模的有关方法;最后提出了我们的基于自然遗忘的个性化推荐算法。本文根据用户的历史评分,采用一种模拟自然遗忘的时间衰减函数,跟踪用户兴趣的变化,进而为每个用户推荐其最可能喜欢的项目。实验结果表明,基于自然遗忘的个性化推荐方法能够较准确地向用户推荐项目,提高了推荐系统的性能。