在时间矩阵分解方法的基础上,利用概念漂移检测捕获随时间动态变化的用户兴趣和项目偏好特征,可以有效提高个性化推荐算法的准确性。为此，该文提出特征漂移约束(feature drift constraint，FDC)算法,首先,根据输入样本的评级反馈构建评级矩阵的时间序列,采用矩阵分解方法将评级矩阵分解为用户特征矩阵和项目特征矩阵;其次,在输入新的评级样本后训练模型,采用随机梯度下降方法获得优化的学习参数,计算概念漂移的动态特征加权用于调整模型;最后,结合用户兴趣特征向量和项目偏好特征向量内积计算得到预测的项目评级,实现项目推荐。仿真结果表明,与MF、TSVD〖JP9〗++〖JP〗、TMF和MCFTT算法相比,特征漂移约束算法在推荐准确性和概念漂移检测的有效性方面均有较好提升。