EBSN(Event Based Social Network,基于事件的社交网络)是一种全新的社交形式,将人们的线上虚拟社交关系与线下的实际活动事件相结合。EBSN为活动事件的组织提供了便利的平台,大大降低了现实生活中组织活动事件的难度,方便有共同兴趣爱好的人们实现面对面的交流。在EBSN上每天都有海量的事件发布,如何推荐符合用户个性化需求的事件,让用户从过载的信息分析中获得解放,成为研究人员关注的热点。由于EBSN特有的数据稀疏性和活动事件具有时效性的特点,导致事件推荐中存在冷启动问题。因此,目前一些社交网络中应用的推荐算法并不适用于EBSN。为了解决EBSN环境下的事件推荐问题,本文结合了 EBSN中多种上下文信息,提出一种基于上下文感知的事件推荐算法。上下文感知事件推荐算法结合了 EBSN上下文信息中用户参与事件的RSVP信息,群组数据构成的社交信息,事件的文本描述信息,事件举行的位置信息,时间信息以及用户与群组都存在的标签信息,共同辅助实现目标用户的个性化top-n事件推荐。通过对以上多种数据的特征分析,获取目标用户的偏好。匹配候选事件在该五种数据上的特征。设计多特征的结合方案,得出综合评估结果,解决用户引发的冷启动问题以及事件引发的冷启动问题并提高事件推荐的质量。本文采用Meetup网站的数据集与Plancast网站数据集从推荐质量和程序健壮性两方面与不同的EBSN事件推荐算法进行对比。实验结果表明,基于上下文感知的事件推荐算法能够很好的解决事件推荐中的冷启动问题,并在推荐质量方面优于其它算法。最后,在Meetup网站数据集上测试了五种信息对算法推荐质量的影响。