互联网的崛起,信息资源越来越丰富,以往用户面对的数据资源缺乏的问题,现在已不再为之发愁。如今,用户要解决的新问题是,在大数据资源中,去探索自己想要的信息,这如同大海捞针,必将耗费大量的时间,用户对此显得束手无策。因此,推荐系统应际而生。推荐系统主要是为用户提供个性化推荐,可以为用户节约时间,也能提高对信息资源的利用率,如今已成为各大领域必不可少的功能。目前推荐系统在各种领域已经有了比较成功的应用,比如影视剧网站、网上商城等,能较好的满足人们的需求。由此可见,进一步研究与创新推荐算法,具有很强的商业价值和社会价值。在推荐系统中,主要算法是协同过滤,其应用很优秀,但也并不是完美的,仍然存在着一些缺陷。例如上下文信息利用率不高,尤其是时间信息上,除此以外,还有数据稀疏,冷启动等问题。随着时间的推移,用户的偏好会发生变化。而目前常用的推荐算法都没有很好地利用时间因子。时间信息是一种重要的上下文信息,忽略这个信息,推荐系统性能的也会受到影响。针对这个问题,本文提出了融合时间因子的协同过滤算法。引入Sigmoid函数的变形式,去拟合时间信息的影响,将时间信息融入进模型中,得到新算法:融合时间偏置的隐因子模型,简称TBLFM模型。在数据实验部分,本文将TBLFM算法应用于Movie Lens数据集。同时,作为比较,在该数据集上,也使用了LFM模型以及传统User CF,Item CF进行实验。实验结果表明,TBLFM模型预测出的结果更贴近真实评分,整体的推荐精度得到提高,推荐效果有明显提升。本文的研究表明,在推荐系统中,融合时间因子有重大的实践意义。