随着互联网的发展,其一方面提供给人们更加丰富的应用,满足人们日常生活的各类需求,然而另一方面却使得互联网中的数据呈现爆炸式的増长,使得人们无法快速定位自己真正需要的资源。因此,人们研究并不断探索推荐系统的实现,以求能帮助人们更好更快的获取自己需要的信息。然而,现在对于推荐算法的研究,由于对准确率的追求,导致各类算法越来越臃肿,性能消耗太大,难于投用在实际中,所以推荐系统中推荐算法仍然有待于改进。本文针对现今一些主流推荐算法进行了研究,由此提出一个基于随机行走算法的改进算法,并将其融入推荐系统中。由于现实中工业对算法效率的要求,加之现今各类电商,广告网站的推荐位,大部分都不多于10至15条,本文将研究如何实现一个运算量少,精确度仍然可以接受,并且在前几位呈现更好准确度的算法。经过研究发现,随机行走算法的低计算量和高精确度特性使它成为一个很好的基础算法,加上对用户历史上下文信息的偏移,可以使得结果更偏向用户历史中评分更高,更愿意选择的项目。再加上一些对上下文属性学习的研究,使得整体推荐结果更好。除此之外,本文还将改进的算法应用到本文开发的推荐App中,进一步体现算法的有效性。本文的研究成果主要包括:改进的推荐算法。本文基于传统的随机行走模型和基于上下文属性相关度模型,将两种模型配合偏移因子进行融合,提出了一个运算量少,精确度高的算法。并且本文使用了 MovieLens数据样本进行运算,以测试算法的最终效果,本文将该数据集分为测试集合训练集,将其他推荐算法和改进的推荐算法进行的比较。影视节目推荐应用。移动互联网是现在使用率最高的互联网形式,而安卓系统是当下最热门的移动终端系统,本文实现了一款基于安卓系统的影视推荐应用,应用主要包括如下模块:登陆模块,主页模块(包括最新上映,热门电影,和推荐电影),搜索模块,更多模块(包括个人信息,应用详情,应用版本及更新),影视详情模块,和影视播放模块。成功实现了影视推荐到查看和播放等各类功能。