協(xié)同過濾算法可以根據(jù)用戶的歷史行為記錄去預(yù)測(cè)其可能喜歡的物品，是現(xiàn)在業(yè)界應(yīng)用極為廣泛的推薦算法。但傳統(tǒng)的協(xié)同過濾算法并沒有考慮到用戶興趣的概念漂移，在一些基于時(shí)間的協(xié)同過濾算法中對(duì)推薦時(shí)效性的考慮也有所欠缺。針對(duì)這些問題，結(jié)合用戶興趣隨時(shí)間轉(zhuǎn)移的特點(diǎn)，改進(jìn)了相似度的度量方法，同時(shí)引入一種增強(qiáng)的時(shí)間衰減模型來度量預(yù)測(cè)值，并將這兩種方式有機(jī)地結(jié)合起來，解決了用戶興趣的概念漂移問題并考慮了推薦算法的時(shí)效性。仿真實(shí)驗(yàn)中，分別在不同的數(shù)據(jù)集中對(duì)比了該算法與UserCF、TCNCF、PTCF以及TimeSVD++算法的預(yù)測(cè)評(píng)分準(zhǔn)確度和TopN推薦準(zhǔn)確度。實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法能夠降低預(yù)測(cè)評(píng)分的均方根誤差（RMSE），并在TopN推薦準(zhǔn)確度上均優(yōu)于對(duì)比算法