随着推荐算法在电子商务应用范围的剧增,网站的收益得到了提高。在推荐的众多算法中,时间作为影响算法的不可忽视的重要因素。因此,本文对基于时间敏感的推荐算法进行研究,并将其应用在电子商务中,通过实验验证时间敏感的推荐算法的可行性。本文主要做了以下工作:1、研究用户产生行为的相对次序对于用户相似度的影响,利用最长公共子序列算法求得用户相对次序下行为的最长序列。将提取基于时间敏感用户之间的非公共的兴趣列表,通过该列表来计算用户之间的非公共的兴趣列表对用户兴趣的贡献程度,并与UserCF算法进行线性加权混合。实验在2个数据集上进行实验验证,并与多种不同的推荐算法进行对比,证明本文提出的该算法在推荐的准确率和召回率上都有不错的表现。2、将用户的行为记录进行哈希处理,将每个记录的权重按照时间进行衰减,以模拟用户的兴趣随着时间动态地变化,从而形成用户行为指纹算法。实验在2个数据集上进行实验验证,并与其他多种不同算法进行实验对比,实验证明该算法在推荐的准确率和召回率上都有不错的效果。3、在物质扩散算法计算资源之间的相似度时将资源属性、资源的流行度随时间变化考虑进来,实验在2个数据集进行验证,并与许多基于物质扩散算法进行对比,证明基于时间敏感的物质扩散算法在召回率和准确率都有不错的表现。最后,将上述算法与基于时间敏感的ITEMCF算法进行混合,实验在2个数据集进行验证,并与物质扩散算法、ITEMCF算法等多种推荐算法进行对比,实验证明该推荐算法在推荐的准确率上表现不错。