1、推薦系統(tǒng)為用戶提供了關于產品和服務的個性化推薦。在以往的推薦系統(tǒng)中，用戶興趣一直是被認為不隨時間改變的。這些以往的推薦系統(tǒng)弱化了用戶的興趣改變。實際上用戶的興趣是一直在變化的，因此如伺設計一個實時動態(tài)推薦算法來捕捉這種不穩(wěn)定的用戶興趣偏移成為了關鍵問題。本課題需要尋找精確而有效的方法和模型來追蹤用戶的興趣改變。
　　為了解決用戶興趣偏移帶來的預測問題，本文對物品進行聚類等一系列操作，己達到監(jiān)測用戶對物品類別的興趣偏移程度，進而更加

2、準確地預測用戶對物品的評分。在原有的線性預測中加入時間影響因子，并利用線性回歸方法精確地擬合用戶興趣偏移。
　　本文針對用戶興趣判定和追蹤預測展開了重點研究，并提出了相關改進與創(chuàng)新方法如下:
　　1.研究和分析基于協(xié)同過濾的推薦算法現狀和不足之處，通過物品聚合的方式和時效模型構造出用戶興趣模型，有效追蹤用戶興趣偏移狀況。
　　2.分析現存的聚類算法優(yōu)缺點并結合課題的具體需求，對現有的聚類算法進行了改進，提升聚類算法效果