互联网信息技术的快速发展和各种服务平台的相继推出,导致我们处于信息爆炸增长的时代。人们要想从海量的数据中找出自己感兴趣的信息也变得愈加困难。因此,推荐系统在这样的背景下产生,推荐系统通过分析用户的历史行为,找出用户的个性化需求,从而给用户推荐他可能会感兴趣的内容来帮助用户得到更好的用户体验。如今,推荐系统已经在电影和视频推荐、音乐电台、社交网络、个性化阅读等各大领域得到很好的应用。目前,出现了很多主流的推荐算法。其中,关联规则推荐因其可以从大量数据中挖掘出有价值的数据并且简单有效等优点而被广泛应用到工业界。关联规则推荐有两个主要的问题亟待解决:一是如何准确、高效的挖掘海量数据中更具有价值的关联规则,也就是如何生成强关联规则。二是,如何体现用户的个性化以及其兴趣所在。这些都要求研究者在借鉴传统方法的同时进行大量的尝试。本文在利用Apriori算法进行关联规则挖掘的时候,经常会出现规则前件一样但是推荐的后件不止一个的情况。也就是说利用Apriori算法挖掘出很多冗余的关联规则。为了过滤掉这些冗余的关联规则,提高关联规则库里规则的价值。本文提出了结合时间和评分信息的加权关联规则推荐算法。首先,我们从时间和评分两个角度来刻画用户的个性化以及兴趣所在。从时间角度,对用户的观影数据按照时间进行排序,生成有序的用户编号、电影类型及其相对应的评分数据,引入了时间权值,给用户序列上的评分加上时间权值,从而刻画时间的重要性。从评分角度,本文过滤掉较低的评分,研究评分是否会对推荐效果产生影响,之后引入时间和评分加权,得出关联规则加权值,再将权值与关联规则相融合,选取置信度和支持度满足阈值的关联规则,生成强关联规则。最后再利用强关联规则对用户进行推荐,从而提高推荐系统的效率。其次,将用户特征属性和观影数据进行k-means聚类,挖掘电影类型的相似性,也就是对关联规则输入数据进行预处理,再利用结合时间和评分信息的关联规则挖掘算法进行关联规则挖掘,从而进行推荐。最后,将协同过滤推荐算法和改进的关联规则推荐算法相结合形成结合算法,减少单一算法的缺陷。本文利用Movie Lens电影数据集进行验证实验,分析数据集实验结果,提出一个有效的关联规则推荐算法,将挖掘出的规则进行加权来过滤大量冗余无价值规则,最后完成推荐。将本文提出的算法与现有的关联规则算法进行对比实验,实验结果证明,在多种条件下,结合时间和评分信息的关联规则推荐算法都能够提高推荐的准确度和覆盖度。