在传统推荐算法中,通常只关注项目与用户的兴趣匹配度,认为与用户兴趣匹配度越高的项目对用户来说价值就越高,项目的价值最终体现为用户的对该项目点击概率。但是在推荐系统中可能存在陈旧信息,这些信息可能与某个用户的兴趣非常匹配,根据传统的推荐算法,这些信息会被推荐给该用户；但是这些陈旧的信息对用户来说是毫无意义的,这些无意义的推荐将会降低用户体验度。为了解决以上问题,本文结合信息老化理论,提出高时效性的推荐方法。利用用户的点击记录,构建项目的时效性评价模型来预测项目当前时刻被点击的概率；将模型与基于项目协同过滤推荐算法结合,综合考虑用户的兴趣和项目的时效性来发现项目的最近邻居,从而进行高时效性的推荐；同时本文还提出依据信息时效性过滤推荐结果,提高推荐结果的时效性。实验结果表明,与传统推荐算法相比,该方法提高了推荐结果的时效性。现有的兴趣偏移模在有限的行为记录中无法有效的挖掘出用户对某种资源的兴趣偏移规律。面对此问题,本文拓展了时效性模型使它能有效的反映用户的兴趣偏移,本文认为某类资源利用率的变化特征,体现了用户群体兴趣的偏移规律。为了根据现有记录挖掘用户群体对某种资源的兴趣偏移规律,本文运用了以上的时效性模型的计算方法,通过对以往记录的分析与挖掘,构造一种新的衡量用户群体兴趣随时间变化的模型——资源时效量化模型。通过实验表明,资源时效量化模型能体现用户兴趣偏移规律,同时能准确获取用户兴趣偏移速率。本文第一章简述了基于信息内容时效性改进推荐算法研究背景、研究内容以及研究意义；第二章主要是对推荐系统所涉及的概念、输入、输出以及算法等进行简要的说明；第三章介绍信息时效性的相关概念以及如何建立信息时效性模型；第四章介绍了通过应用信息时效性对推荐结果进行调优的方法；第五章介绍了应用时效性参数改进推荐算法的方法；第六章主要扩展介绍了时效性在用户兴趣偏移模型应用的可能。第七章对前面的工作进行了总结,并展望了下一步的工作。