推荐系统（Recommender System）的研究方法是通过对用户的历史行为记录进行挖掘来构建用户的兴趣偏好模型，以此将物品推荐给可能对它感兴趣的潜在用户群，而物品推荐列表对用户进行物品选择时的决策起到了重要的辅助作用。这就在一定程度上缓解了信息过载给用户获取信息带来的影响。传统推荐系统的研究策略是对用户的历史行为记录进行分析和建模，并对潜在的用户群进行个性化物品推荐，而不考虑用户和物品所处的上下文环境因素，如时间、情绪、位置等信息。但近几年，随着信息技术的飞速发展，推荐系统的研究与应用都取得了巨大成功，大量研究人员开始关注和研究上下文信息对推荐系统性能的影响，这些研究主要包括基于时间、位置、情绪以及社交网络的推荐系统，等等。但是，大量的研究都仅研究了一种上下文因素对推荐系统的影响，事实上，很多上下文因素对推荐系统的影响是互相影响的，考虑多种上下文因素能得到更高的推荐效果。因此，在基于上下文信息的推荐系统领域还有大量重要问题需要研究、解决。本文通过对已有的用户行为数据进行深入研究，包括用户的情绪因素的分类，用户情绪随时间的变化，以及用户情绪和时间因素对用户兴趣偏好预测的影响等等。本文的主要研究工作如下：1.讨论了用户的情绪特征随时间的变化效应，提出了用户情绪漂移现象的概念。用户的情绪会随时间的变化表现出一定的持续性，但是持续时间的长短，不同的用户会有不同的表现。同时，讨论了用户情绪的分类，将用户情绪分为积极情绪、消极情绪和其他情绪三类，用户处于不同类型的情绪状态下，对物品产生的行为也不尽相同，比如用户情绪会影响对物品评分的严厉程度，以及用户的情绪会影响对评分物品的选择。2.系统研究了基于特定情绪的物品相似性，通过计算情绪-情绪的相似性来修正传统方法求解基于情绪的物品间的相似度时造成的误差，经过修正后，得到的结果比以前的相似度精准度有所提高。在此基础上，就可根据特定的情绪状态，给用户推荐在该状态下他可能感兴趣的物品。将修正后的基于特定情绪的物品相似度作为一项参数加入到用户-物品矩阵中，构成三维矩阵，进而通过矩阵奇异值分解技术求解来预测用户的评分值，即是算法JMF_MS的思想。3.重点讨论了时间因素对推荐系统性能的影响，对用户即将发生的行为进行预测时，用户在很久以前对物品产生的行为比用户最近对物品产生的行为对预测结果的影响要小很多，这是因为用户的兴趣偏好也会随时间的变化而发生变化，发生行为的时间差越小，相似的可能性就越高。基于时间因素对推荐系统的这种影响，提出了一种基于特定情绪的矩阵奇异值分解的改进算法JMF_MS_MT。该算法将时间因素考虑到用户的预测评分中来，通过一个时间衰减函数来对基于特定情绪奇异值分解算法得到的预测评分结果进行修正改进。因为用户情绪和用户兴趣偏好一样，都表现出一段时间内的持续性，即它们受时间的影响几乎是一致的，所以这样加入时间衰减函数来进行修正是合理的，实验结果也表明改进算法的有效性。4.在测试数据集上同时对算法JMF_MS和其改进算法JMF_MS_MT，以及这两种算法的不指定特定情绪特征的算法和普通的矩阵奇异值分解算法SVD进行实验比较，并对结果进行分析。实验结果表明，改进后的算法在一定程度上要比改进前的算法在推荐的精准度以及推荐列表的排序准确度上有所提高，这也就表明合理的考虑多种上下文因素会带来较高的推荐性能的回报。5.研究了一个完整的推荐系统组成和一个推荐引擎的整体架构，在此基础上结合前几章的工作内容，设计了一个基于用户情绪因素和时间因素的推荐系统原型，并基于开源的推荐系统框架MyMedia实现该系统。