El algoritmo de recomendación en sistemas de comercio electrónico se enfrenta al problema de la alta escasez de datos de puntuación de los usuarios y el cambio de intereses, lo que afecta en gran medida el rendimiento de la recomendación. Por lo tanto, se propone un algoritmo de recomendación combinado basado en una similitud mejorada y la curva de olvido. En primer lugar, la similitud de Pearson se mejora mediante una amplia gama de factores ponderados para aumentar la calidad de la similitud de Pearson para datos altamente escasos. En segundo lugar, se introduce la curva de olvido de Ebbinghaus para rastrear el cambio de interés de un usuario. La puntuación del usuario se pondera de acuerdo con la memoria residual de la función de olvido. El cambio de interés de los usuarios con el tiempo se rastrea mediante la puntuación, lo que aumenta tanto la precisión del algoritmo de recomendación como la satisfacción de los usuarios. Luego, se combinan los dos algoritmos. Finalmente, se emplea el conjunto de datos de MovieLens para evaluar diferentes algoritmos y los resultados muestran que el algoritmo propuesto disminuye el error absoluto medio (MAE) en un 12.2%, la cobertura promedio en un 1.41% y aumenta la precisión promedio en un 10.52%, respectivamente.