大数据时代用户面临“Big Data,Thin Knowledge”的窘境。信息推荐技术能够根据用户历史交互,建立用户偏好模型,进而为用户推荐其潜在感兴趣的信息,从而在一定程度上缓解了信息过载难题。然而传统的推荐算法仅考虑用户和推荐对象之间的交互,较少注意到不同的环境(上下文)对用户兴趣偏好选择的影响,而这正是实际推荐系统中必须考虑的问题。有鉴于此,本文在传统推荐系统的基础上,引入了上下文的概念。在建立用户偏好模型的同时,考虑到了不同上下文对用户兴趣偏好选择的影响。提出了两种上下文感知的个性化推荐算法。同时为了解决上下文信息稀疏性问题,提出了基于上下文信息熵的块对角矩阵分解的信息推荐方法,缓解了上下文稀疏对推荐性能的影响。本文主要研究内容如下:首先,论文对相关研究领域进行综述的基础上,给出了个性化推荐系统的设计方案。详细介绍了用户建模,推荐对象建模,和推荐算法三个模块之后,给出了信息推荐的一般流程和设计框架。在此基础上,引入上下文信息,实现基于上下文感知的推荐系统设计。其次,论文在所设计的推荐系统框架之上,提出了两种上下文感知的推荐算法:(1)上下文信息预过滤算法。通过聚类技术对上下文信息进行筛选,使类簇中的“User-Item”的评分数据具有相似的上下文,针对目标用户寻找一个跟它相似度最高的类簇,在类簇内执行基于用户的协同过滤推荐算法。(2)上下文信息后过滤算法。不考虑上下文信息,用传统的基于用户的协同过滤得出一个初始的推荐列表。通过计算用户在具体一种上下文情况下选择某类项目的概率,联合协同推荐的结果,对推荐列表进行重排序。实验结果证明同基础算法相比,两种方法都能有效提高推荐算法的性能。再次,论文为了解决推荐系统存在的数据稀疏性问题,提出了一种基于上下文信息熵的块对角矩阵局部矩阵分解的推荐算法。算法把原始评分矩阵看成一个二部图,迭代地应用图分割算法对二部图进行社区划分,将原矩阵转化成一个迭代的边块对角矩阵。通过改进子矩阵的保留判定条件,在原有的考虑矩阵平均密度的基础上,增加了考虑上下文信息熵的策略。然后利用对角块上的分解结果对块对角矩阵的零块进行预测。最后进行行列置换转换成评分预测矩阵,用以进行协同过滤推荐。实验证明该方法能有效地提高推荐算法的性能。最后,本文在LDOS-CoMoDa数据集和MovieLens数据集上验证了算法的有效性。实验结果表明,在准确率和根均方误差(RSME)上有明显的提高。