推荐系统是一门涵盖了多个学科内容,始于90年代中期关于协同过滤算法研究,之后便开始作为一门独立的研究领域走进研究者的视野。目前,关于传统的推荐系统已经有很充分的研究,根据推荐系统产生的方法差异,将其分为基于内容的推荐,协同过滤推荐和混合推荐三大类别。不同的项目可使用不同的推荐方法,或者是混合使用,这得到了越来越多的研究者的共识。同时,研究者发现了推荐系统的冷启动问题、数据稀疏问题、推荐解释等问题,分别提出了诸如:标签法、社交网络法、矩阵分解法、贝叶斯推理法等方法。然而,伴随着个性化需求的不断发展,如何针对每一个用户给出合理、适当的推荐,成为推荐系统任务的重中之重。因此,上下文感知推荐应运而生。上下文感知推荐,在拥有传统推荐系统的优点的同时,考虑时间、地点、同伴等上下文信息,这些改进措施提高了推荐预测的准确度,更好地满足了用户的个性化需求,提高了推荐系统的信任度,近几年也渐渐受到研究者的重视。在前人的基础上,本文做了以下工作:(1)提出上下文层次化因式分解机模型,该模型对因式分解机模型进行改进,考虑上下文信息的同时,对上下文进行层次化处理,增强了评分数据之间的整体关系,更有效的提高评分预测。(2)提出混合logistic函数和贝叶斯方法的因式分解机模型。该模型在对因式分解机模型贝叶斯处理的基础上,进一步的对伽马函数的形状参数进行logistic函数处理,更好的区分不同特征参数,从而提高评分预测精度。(3)在多个数据集上做了对比实验,实验证实了本文提出的改进的因式分解机模型具有线性的时间复杂度,较高的预测精度,以及较好的适应数据稀疏性的优点。