5G技术的发展,给人们生活提供了便利,但随之而来的是信息爆炸的问题。为此,推荐系统作为解决信息爆炸问题至关重要的技术之一,受到业界的广泛关注。协同过滤推荐算法是其中最成功的个性化推荐技术之一,但是传统的协同过滤算法普遍存在数据稀疏性与冷启动的问题,并且通常不能及时反应用户的兴趣变化,影响了推荐质量。信任关系是人们生活中不可或缺的一部分,时刻影响用户间的生活。美国著名的尼尔森(Nielsen)调查机构研究表明,约90%的用户倾向于信任来自于朋友的推荐。因此,众多学者将信任关系作为辅助信息引入协同过滤算法,有效地缓解了算法数据稀疏性与冷启动问题。除此之外,时序特征作为反映用户偏好变化最直接的因素也被广泛应用于协同过滤算法推荐当中。本文主要针对协同过滤推荐算法中存在的问题进行研究。主要工作如下:考虑到用户偏好随时序漂移的特点,借助艾宾浩斯遗忘曲线描述时间衰退特性,提出基于艾宾浩斯遗忘曲线的概率矩阵分解算法(Ebbinghaus-Probabilistic Matrix Factorization,E-PMF),对比实验结果表明时序特征能够在一定程度上提高协同过滤算法的推荐准确度;借助信任信息作为辅助参数创建用户信任矩阵,利用信任网络中信任传递机制建立信任模型,量化信任者间的信任度,将信任模型评分矩阵以及时序信息融合,提出基于信任信息的动态协同过滤算法(TrustDynamic Collaborative Filtering,TDCF)。通过实验验证,该算法比传统的协同过滤算法提高了12.01%的准确度,能够有效地缓解数据稀疏性、冷启动问题;将TDCF算法运用到电影推荐系统中,该系统能够完成用户信息注册、电影评分及电影推荐。在此过程中,通过挖掘用户显式或隐式信息,构建用户偏好模型,运用提出的算法给出推荐结果,并根据电影已有的评价信息进行处理,最终得到Top-N电影推荐结果。