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，在一些基于時間的協(xié)同過濾算法中對推薦時效性的考慮也有所欠缺。針對這些問題，結(jié)合用戶興趣隨時間轉(zhuǎn)移的特點，改進(jìn)了相似度的度量方法，同時引入一種增強的時間衰減模型來度量預(yù)測值，并將這兩種方式有機地結(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效性。仿真實驗中，分別在不同的數(shù)據(jù)集中對比了該算法與UserCF、TCNCF、PTCF以及TimeSVD++算法的預(yù)測評分準(zhǔn)確度和TopN推薦準(zhǔn)確度。實驗結(jié)果表明，改進(jìn)算法能夠降低預(yù)測評分的均方根誤差（RMSE），并在TopN推薦準(zhǔn)確度上均優(yōu)于對比算法