随着文化全球化,国家之间电影文化的壁垒正在被逐渐打破。目前中国已经成为了全球最大的电影市场,票房表现已超过北美。电影行业迅猛发展的同时,怎么将每年成千上万部全球新上映的电影有效推荐给用户却成为了平台的一大难题。本文首先通过CiteSpace对电影推荐算法领域2005年以来的中英文文献进行了计量分析,包括词谱聚类和按时间线可视化的共词分析,发现“情境信息”这一关键词在2016年成为电影推荐英文文献中的突变词,也就是新起的研究方向,同时也在2021年成为中文文献的热门关键词之一。基于情境信息的推荐算法虽在国外引起关注几年了,但仍旧是国内目前的电影推荐热门研究趋势。通过对研究趋势和现有研究的分析,加上对现实电影推荐中存在的问题的考虑,最终确认了本文的研究方向,即融合用户评分可信度和时间情境的概率矩阵分解算法。本文主要研究内容如下:（1）基于用户观影时间越多,评分越客观越专业,也越具有参考价值的假设。本文首先引入了用户评分可信度的概念,通过用户所花费在电影领域的时间即观影量进行量化,即可求出用户评分可信度加权下的目标用户特征向量。（2）在现实电影推荐中,不同的时间情境下,用户的兴趣偏好和项目特征都可能发生变化。基于此,本文提出了两种情境感知算法模型,改进了捕捉用户-项目-情境交互的方法,为如何将情境信息融合进推荐算法中提供了一个好的方式。在底层算法的基础上,产生了两个修改分解过程的变体。一是基于公共项目因子的情境感知模型,模型假设不同时间情境下,项目特征保持稳定,而用户特征发生变化。将原始评分矩阵转化为用户-情境评分矩阵,通过分解矩阵求出情境依赖下的用户潜在特征向量,进而得到情境依赖下的用户相似度矩阵。最后结合评分矩阵得到潜在用户和项目的特征矩阵的联合条件分布,通过随机梯度下降求出令损失函数达到最小的潜在用户和项目特征向量,二者的乘积即可用来预测评分和进行最终推荐。模型二是基于公共用户因子的情境感知算法,与模型一类似,但这里假设用户特征保持稳定不变,项目特征随时间情境而变化,因而将原始评分转换为项目-情境评分矩阵,求的是项目情境相似度。（3）最后在真实电影数据集上进行了实验验证,选用均方根误差RMSE和平均绝对误差MAE值作为评估指标。先验证了本文提出的两个维度即用户评分可信度和时间情境的有效性,并将本文提出的算法与概率矩阵分解PMF、情境感知矩阵分解模型CAMF-C、奇异值分解SVD++和共同分解模型CoFactor四种算法进行对比,实验结果发现本文提出的两个算法模型中,基于公共项目因子的情境感知模型相对来说表现更好,而在不同特征维度即潜在因子数量下,两个模型的MAE和RSME值都低于其余算法,算法的性能和准确度更高,验证了改进算法的有效性。