近些年,普适计算,电子商务,社交网络,移动互联网迅猛发展,人们悄然间进入“大数据”时代。信息开始泛滥,解决“信息冗余”成为工业界和学术界迫在眉睫的问题。基于上下文的个性化推荐系统是传统推荐系统的改进,其融合了上下文信息,能够更加准确分析出用户的想法并给出高精度的推荐列表,具有重要的研究价值。但是目前此领域刚刚起步,还有很多问题待解决。本文针对推荐系统的一些算法和模型进行了探讨,并在此基础上引入上下文感知。主要研究内容包括：上下文感知推荐系统的历史和现状,上下文感知系统的用户属性与建模,上下文感知推荐系统数据集的收集和处理,上下文感知推荐在SNS上的好友推荐,相似度计算公式的改进和验证。在综述上下文推荐系统的基础上,本文主要在如下的方面上取得了研究成果：(1)基于上下文的SNS产品(微博)好友推荐。SNS是当下的金矿,用户的好友越多,才能激起SNS的活跃度,为SNS产品用户推荐好友也是SNS的重要应用之一。本文仿照隐语义模型,利用时间上下文对训练数据预过滤,降低了数据的噪声。并将时间上下文应用到用户和物品(待推荐好友)的偏置模型,挖掘用户活跃度上下文。利用用户和物品人口统计属性,扩展矩阵分解模型,并利用腾讯微博数据进行模型校验,取得了不错的推荐效果。(2)基于邻域算法的协同过滤,指出物品全局热度上下文对传统相似度计算方法(皮尔逊相似度公式)的负面影响,提出了类似TF-IDF思想的IR-IUF++算法。IR-IUF++算法对热门物品进行了降权,利用方差找到并提升评分波动大的物品的权重,这样,就降低了热度物品对全局的影响。在实验中,我们采用Movielens数据进行调研,MAE稳定下降。