当今社会，信息呈现爆炸式的增长。为了快捷地获得有效信息，人们发明了各种信息检索技术。然而这些技术均依赖于用户的主动检索行为。为了自动地提供个性化的信息，将用户从浩如烟海的信息海洋中解放出来，推荐系统应运而生。现阶段的推荐系统主要分为三类：基于内容的推荐系统，协同过滤推荐系统和混合推荐系统。其中，协同过滤推荐系统由于其推荐速度快，推荐精度高，不需要获得推荐项目的内容描述等诸多便利性，得到了产业界的广泛的应用。相关的研究也成为了一个热门的研究方向。部分基于数值评分的协同过滤算法考虑的是如何提高评分预测的准确性，它们关注的是用户评分数值的大小和分布。然而，用户的购买行为是多样的，评分数值预测的准确性并不一定能够提高算法推荐的效果。本文认为，一个好的推荐首先应当保证推荐被用户所采纳，其次则应当推荐用户更为喜爱的项目。这显然有着一定的现实意义，特别是对商业性的推荐系统而言。　　 本文在同时考虑用户的评分行为和评分数值的基础上构建推荐算法，对用户进行推荐。与此同时，随着时间的增长，协同过滤的推荐系统中逐渐保存着大量的用户评分信息。这使得同一个用户的评分行为具有一定的时间跨度。在此时间跨度中，用户的兴趣和行为往往会发生一些改变。为了更好地区分用户评分行为关联的强弱，时态的因素需要被引入到协同过滤算法中。基于以上的考虑，本文提出了一种基于时态随机步模型的协同过滤算法。它在构建模型的过程中仅仅需要访问一次数据集。而在对用户推荐的过程中也仅仅需要用户的历史评分信息。同时，在算法中引入时态的因素，通过区分用户的长短期兴趣来给予用户更为准确的推荐。本文采用movielens的数据集，通过仿真实验，验证了基于时态随机步模型的协同过滤算法比传统的算法具有一定的优势，并对此进行了较为深入的分析。