信息技术的迅猛发展和大数据时代的到来,带来的是数据的井喷式增长,人们难以从海量的信息当中快速提取自己所需要的有价值信息,即导致“信息过载”现象的出现。推荐系统的出现有效地解决了这一问题,协同过滤推荐算法是目前应用较为广泛的推荐算法之一。但是传统的协同过滤算法忽视了用户偏好的时间可变性对推荐结果的影响,且面临着推荐准确率低和对数据稀疏性敏感的问题。本文针对关于时间的推荐算法中准确性问题和数据稀疏性问题展开研究。本文在基于隐马尔可夫模型的协同过滤推荐算法（A Hidden Markov Model for Collaborative Filtering,HMM-CF）基础上,引入用户选择频次和用户相似度权重因子,提出基于用户相似度权重和用户选择频次的隐马尔可夫协同过滤推荐算法（Hidden Markov Model Collaborative Filtering Recommendation Algorithm Based on User Similarity Weight and User Selection Frequency,HMM-CF-USW-USF）。本文的相关研究如下:（1）针对协同过滤推荐算法中的推荐准确性问题和数据稀疏性问题,首先引入用户选择频次,将用户对电影的评分转换为用户选择该电影的次数,并将用户选择该电影概率与选择该电影次数的乘积作为用户选择该电影的预测概率,继而提升推荐系统的准确性;同时引入用户相似度权重因子,利用用户对电影的评分求出用户相似度,再根据用户对电影类的选择关系对相似度进一步改善以缓解数据稀疏性的压力,最后将相似度转化为权重因子对隐马尔可夫模型参数的估计进行优化,提升推荐系统的推荐准确性。（2）本文通过两个真实数据集和四组实验对本文所提的HMM-CF-USW-USF算法的可行性和有效性进行验证。两个数据集分别为:用户在Movie-lens网站的电影评分信息,和用户在Netflix网站的电影分级行为数据。四组实验分别为:本文将未使用用户选择频次和用户相似度权重因子的HMM-CF算法作为对照组实验;在HMM-CF算法基础上结合用户相似度权重因子的算法作为实验组1;在HMM-CF算法基础上结合用户选择频次的算法作为实验组2;在HMM-CF算法基础上结合用户选择频次和用户相似度权重因子的算法作为实验组3。本文以精确率、召回率和₁F度量值作为评价指标,对HMM-CF-USW-USF算法的性能进行评估。实验结果表明,引入用户相似度权重因子和用户选择频次均对推荐算法的性能有所提升。