随着科技的快速发展,互联网中的数据正在进爆炸性的增长。当下如何在庞大的数据中,准确并迅速的找到用户所需要的有用信息,成为研究推荐领域的焦点。用户获得有价值信息的两个基本的途径是用户的手动的搜索和系统的个性化推荐,在对于某些领域,需要比较智能性方式为用户推荐想要的信息。本文主要研究内容如下:(1)提出基于显式与隐式兴趣漂移检测模型,并进行兴趣漂移。由于用户的兴趣会随着时间推移而改变,因此,通过显式兴趣漂移检测模型对其检测,并利用隐式进行兴趣修正。本文提出五种兴趣模型,利用其相关属性值及关联密集度增量对其进行模式匹配,得到用户兴趣序列。对该序列利用指数遗忘函数进行隐式兴趣修正,进而得到用户真正的兴趣。实验结果表明,显式兴趣漂模型对其用户兴趣的判别准确率及召回率达到了88.23%~90.96%和87.43%~89.54%,能够准确地捕获到用户当前的兴趣。(2)设计了基于显式与隐式兴趣漂移检测模型的协同过滤算法。针对协同过滤算法推荐准确度低的问题,采用属性相似度与评分相似度加权得到新的相似度,利用基于项目的协同过滤算法,通过显隐式兴趣漂移检测模型得到用户当前兴趣,并进行相关项目的推荐。实验结果表明,本文算法与传统的协同过滤算法相比较,平均绝对偏差MAE值降低了3.41%,说明了与传统协同过滤算法相比,对用户兴趣的检测以及混合相似度的计算能够提高算法对其用户的推荐准确率。(3)电影推荐系统的实现。通过利用本文提出的关键算法对该系统进行模块化分析设计与实现。系统利用SSH框架进行后台开发,该平台提供了用户电影的相关推荐,以及用户对浏览项目进行评分等功能。