协同过滤算法作为最为广泛使用的个性化推荐技术，虽然取得了一定的成功，但是传统的协同过滤推荐算法基本不考虑时间上下文，将不同用户不同时间内的兴趣偏好同等看待，忽略了用户兴趣随时间的变化用户会对很久以前访问过的项目产生遗忘。因而对推荐质量造成影响。目前，基于时间加权的协同过滤算法，主要是使用用户评分时间，但是没有考虑推荐系统向用户推荐项目的推荐时间，当用户没有新的行为产生时，推荐结果列表不会产生变化。但是，推荐系统应该能在不同的推荐时间向用户推荐尽可能不一样的项目，增加推荐结果的时间多样性。本文的主要研究工作有：（1）详细分析了各种推荐算法及其优缺点，指出推荐算法除了需要提高推荐结果的准确度外，还需考虑推荐结果时间多样性。（2）分析了推荐系统的动态特征和时间上下文对推荐系统的重要意义。（3）研究了用户不同时间不同时刻兴趣的变化，并提出了相对时间衰减函数，通过计算用户评分时间的相对时间间隔的大小来修正项目相似度，使得推荐结果的准确度和多样性都有所提高。（4）研究了用户记忆遗忘理论，在用户兴趣预测的过程中使用模拟的艾宾浩斯记忆遗忘曲线，利用推荐时间和项目评分时间的绝对时间间隔对项目贡献进行加权，使得距离推荐时间越远的项目的贡献越小，距离推荐时间越近的项目的贡献越大。然后结合用户评分时间相对时间间隔的相似度计算和推荐时间绝对时间间隔兴趣预测计算，得到适应用户兴趣随时间变化的协同过滤算法，该算法不仅提高了推荐性能，更增加了推荐结果的时间多样性。