随着社会的计算机化,人们生产和收集数据的能力显著增强。海量信息在给这个时代带来机遇的同时也带来了许多棘手的难题,那就是信息的筛选和过滤。推荐系统是一种智能的信息筛选工具:系统自动记录并分析用户的历史行为数据,然后将用户最感兴趣的信息呈现在用户面前。自推荐系统问世以来,被广泛地运用于在线电子商务系统中,同时也面临许多问题,例如以往算法未将时间这一动态信息建模到推荐模型中,从而不能捕获到与时间相关的各种重要规律,这称为静态推荐。为了解决这一问题,本文首先对推荐领域各类算法进行深入分析;然后,重点探讨了时间这一动态上下文信息对推荐结果的影响,并以协同过滤推荐算法为基础,将时间信息建模到该算法中,并给出具体的算法流程;最后结合移动设备特点,提出融合了移动设备特点的推荐方案并应用于在线图书销售系统中。本文的主要研究工作如下:(1)对目前主流的推荐算法进行深入研究,分析了各个算法的推荐机制以及优缺点,并通过简单实例对各算法进行了描述。重点分析了协同过滤推荐,详细描述了该类算法的执行流程;(2)通过分析现实生活推荐机制中的时间规律以及Netflix数据集中的时间现象,论证了时间信息对推荐系统的重要性;(3)对时间信息进行建模,提出了基于用户影响度的算法(IOE-User CF)以及基于物品耦合度及流行度的算法(PC-Item CF),并给出具体的流程;然后利用Netflix数据集从MAE值、推荐的准确率、召回率以及F1值等指标对两类算法的推荐质量进行评测。通过实验得出:本文融合了时间信息的算法比以往算法具有更好的推荐准确度;(4)最后,利用本文的算法思路,同时结合移动设备能方便地获取用户通讯录这一优点,建立融合移动设备特点的动态推荐模型。(5)为了论证本文的推荐模型具有一定的使用价值,最后设计一个简单的在线图书销售系统,并将上述模型应用该系统中。