在当今信息爆炸的时代,如何从海量的信息中快速地过滤掉无用信息,筛选出用户最感兴趣的内容是当前亟待解决的问题之一。推荐系统可以根据用户的潜在行为推断出他们的兴趣偏好,并主动向他们推送服务,使得用户搜索信息的效率和获取服务的质量得到了提高。针对传统协同过滤算法缺乏对目标用户兴趣深层次理解的问题,本文重点研究对兴趣模型的构建,然后在准确理解用户的情境兴趣下,设计高效的推荐算法。本文的主要内容如下：首先,阐述了互联网和移动互联网的发展背景以及推荐系统的机遇和挑战,介绍了推荐系统中兴趣模型的构建方法和如何对模型中的信息进行更新,并对推荐系统中常见的方法进行了详细的说明。其次,针对直接使用概率主题模型进行兴趣抽取的方法仅仅关注用户的消费次数而忽略了其他重要的反馈信息,比如项目被消费的时间、项目的评分大小以及项目的有效性等反馈信息的问题,本文设计将这些数据综合为一个权值作为影响因子加入到概率主题模型中,并利用优化后的概率主题模型进行用户兴趣抽取。针对用户的兴趣存在易变性以及随意性的问题,本文借助一种PageRank算法,采用随机游走的方式进一步扩展兴趣,并设计利用用户-兴趣-项目三层结构产生所要推荐的项目或者预测用户对项目的评分。再次,由于上述算法不适用于情境因素严重影响用户行为这类场景,因此本文提出了一种融合情境的推荐算法,并将该算法运用于美食推荐。首先,运用由情境属性构成的向量来表示情境,并将该情境信息作为一个重要因素加入用户-项目兴趣模型中,从而产生用户-项目-情境兴趣模型。根据用户在不同情境下使用方式的不同,重新创建当前用户与各情境相对应的子用户,从而得到以情境作为标识的新的用户-项目评分矩阵。针对融合情境的兴趣模型易产生数据稀疏问题,设计利用改进的Slope One算法对未知评分进行填充,并通过对相似度公式进行优化,更加准确的找出当前用户的近邻,为用户提供更加有效的推荐服务。最后,通过实验分析,验证了本文提出算法的有效性和准确性,并展望了需要进一步深入的问题。