如今计算机和互联网技术的飞速发展,人们的日常生活方式已经逐渐的发生了巨大的改变。尤其近些年来,人们可以使用多种移动设备和应用,例如手机、平板、微博、QQ和微信等。这些设备和应用使得人们现在可以非常方便、自由、快捷地通过互联网获取有效的信息。但是,丰富的数据使得人们从网上寻找到自己想要的信息变的越来越难,这就是信息过载的问题。推荐系统的提出就是为了解决这个问题。协同过滤是推荐系统中应用最广泛的算法。相关人员在做研究时,传统的推荐算法常常忽视了上下文这一重要因素。上下文这一重要信息已经普遍的被运用到多个领域,因此为了有效的提高推荐系统的效率,即准确度,在推荐系统的算法中合理的结合上下文信息这一思想,从而使推荐结果可以更为高效和精确的满足用户。通过对主流推荐算法的学习和深入了解,将上下文信息这一重要因素作为研究对象,同时重点关注其中的时间上下文信息。基于这一研究路线,主要完成了以下几个方面的研究:当下主流推荐系统的研究现状以及整个推荐系统的发展过程,过往对于实现推荐系统中所使用的算法的理论研究与技术路线以及方法,上下文的发展过程以及背景知识概述、上下文信息三种获取方法以及上下文信息融入推荐系统中的三种方式,并且通过在近邻模型以及矩阵分解模型中融入时间上下文信息,通过训练模型从而提高算法推荐结果的准确率。因此本文从以下两个方面对研究内容开展了工作:1.通过对推荐系统的整个发展过程的了解,并深入的理解和叙述了当下推荐系统中四种常用的推荐算法,最后深入研究协同过滤推荐算法。通过比较四种推荐算法得出各自对于不同场景下的优势以及缺陷。推荐系统中常用的协同过滤算法,不仅可以提高用户之间的体验,而且得出推荐准确率有所提升,但还是存在数据稀少等相关问题。2.为了缓解数据稀疏和冷启动的这两大问题,本文提出了基于上下文感知的协同过滤算法,研究了上下文感知的相关内容,时间上下文信息对于推荐算法来说十分重要,由于目标群体的喜好以及程度都是和特定的时间以及周期相关的,同时物品的受喜好程度也会发生改变。因此可以在协同过滤算法中结合时间上下文信息,通过这种可以关联到特定时期和场景的方式来增加推荐的精准性,并反复的在Movie Lens-ml-100k数据集上对这一技术路线方法进行实验,最后通过对比融入时间上下文的协同过滤算法和传统的协同过滤算法,其前者的准确率有明显提升。