随着互联网和信息技术的飞速发展,网络上已有的电影,视频等资源仍然以指数的速度增长,人们进入了“信息过载”的时代。在这个时代,如何让用户从海量的资源中找到自己感兴趣的物品,同时也让生产者生产的物品脱颖而出,受到广大用户的喜爱。为此,推荐算法的研究应运而生。在目前常用的推荐算法中,协同过滤算法作为最经典的个性化推荐算法,一直受到广大研究学者的关注,而深度学习算法作为近几年最热门的研究方向,更被各领域广泛研究。但是这两种算法几乎都没有考虑到时间上下文信息是如何影响推荐的,没有把用户行为发生的时间信息作为推荐的参考因素。然而在实际生活中,用户的喜好很可能会随着时间的推移发生改变,因此研究用户行为发生的时间上下文信息,对提高推荐算法的性能具有重要的影响。本文在经典协同过滤算法的基础上,首先,将数据集中的用户行为时间戳转换成具体的时间信息,将该时间上下文信息作为重要特征纳入推荐考虑中。接着考虑到协同过滤算法存在稀疏性问题,故而采用矩阵分解模型方法来降低矩阵的维度,将离散型的时间参数引入矩阵分解模型中,针对用户所处的时间上下文环境为用户进行推荐,以提高准确率,采用Spark集群实现协同过滤算法的并行计算,缓解数据规模增加带来的可扩展性问题。考虑到目前数据量仍在不断增长,采用传统的协同过滤算法性能会受到限制,而对于卷积神经网络来说,获取的数据越多,训练得到的性能越好,因此在考虑时间上下文信息的情况下,针对更大的数据集,采用Tensorflow框架实现卷积神经网络算法为用户进行推荐,不仅提高了推荐的准确率,还提高了推荐效率。本文主要研究在考虑时间上下文信息的情况下,分别采用基于Spark的矩阵分解的协同过滤算法和基于Tensorflow框架的卷积神经网络算法来为用户进行推荐。将Movie Lens-100k和Movie Lens-1m两个数据集分别作为两种推荐算法的数据来源,并设计实验来实现对用户的电影推荐,通过与其他几种推荐算法的MAE、RMSE和MSE等指标进行比较,来说明本文提出的算法确实有效,对未来的研究有一定的参考价值。