随着互联网技术的快速发展,信息量呈现了爆炸式地增长,极大地满足了人们对信息的不同需求,但海量的数据给人们带来便利的同时,也产生了信息过载的严重问题。推荐系统是一种能够有效克服信息过载的工具,已被广泛应用于很多领域,它通过分析用户的历史行为记录、挖掘用户兴趣爱好,构建出用户偏好模型,并通过向用户主动地推荐其最感兴趣的内容,帮助用户在海量的信息中快速地发现其所期望的信息,还能引导用户发现其潜在的偏好。传统的推荐系统主要利用用户和项目之间的关联性进行推荐,而忽略了用户所处的情境,因此推荐的结果并不能满足用户特定场景中的需要,导致推荐不够准确、用户满意度偏低等问题。情境感知推荐系统通过将情境信息融入到推荐过程,为用户提供了更为准确的推荐,并已成为推荐领域研究的重点和热点。本文致力于基于情境感知的个性化推荐方法的研究。主要研究工作如下:(1)针对传统的个性化推荐方法大都没有考虑用户所处的情境信息,或者处理情境信息的复杂度较高等问题,在传统隐语义模型的基础上,提出了基于情境感知的隐语义模型。该模型的核心思想是将上下文信息融入到隐语义模型中,为每个用户和每个项目分别产生一个隐含的情境因子向量。为了降低数据维度和计算的复杂性,该模型采用一种监督学习技术提取出潜在的上下文信息,并将各种上下文综合成模型的一个因子,在提高推荐精度的同时,合理地处理了数据维度和计算复杂度问题。(2)考虑用户行为和时间因素间的密切关系以及时间情境信息对推荐的重要性,本文在原有随机游走推荐模型的基础上,融合时间衰减因子和用户历史评分记录,提出了基于时间衰减因子的随机游走模型。该模型充分考虑时间因素对用户个人兴趣偏好、社会群体兴趣的影响,将时间衰减因子融入随机游走模型,更侧重考虑目标用户和整个社会群体的近期行为,既能准确建立目标用户最近兴趣偏好模型,又能充分利用社会群体近期偏好信息。此外,将用户历史评分值引入用户对物品兴趣度的计算过程,改进随机游走模型游走概率的计算方法,更能反映用户对物品的真实兴趣度。(3)通过广泛的实验与性能分析,证实了本文提出的方法相比于现有方法具有明显的优越性。