信息技术的高速发展使得互联网上的信息呈现爆炸式地增长,同时,这种信息的增长也带来一定的负面问题,例如信息过载问题。如何解决信息过载问题也成为学术界研究的重点和难点。在这样的情形下,推荐算法作为信息过滤的有效手段,可以有效解决用户信息过载问题,因此,该方法也得到了越来越多的研究者的关注。然而,在推荐过程中,大多数的研究关注的是如何给用户做出推荐,却忽略了用户所处的相关情境信息,如时间、地点、是否有人陪同等情境信息。在电子商务个性化、信息检索、便携移动计算、数据挖掘、营销和管理学等领域中,研究者和从业者已经开始意识到情境信息的重要性,情境信息在推荐系统中有一定的影响,是提供推荐方案时的重要参考。由于不同的情境因素对用户产生的影响不同,因此在研究过程中,需要分别计算各个情境因素在推荐过程中所占的比重及权值,在此思路上,本文提出了基于情境感知的个性化推荐算法,并将其与传统的协同过滤推荐算法进行比较,利用相关实验分析该算法的有效性和准确性。根据目前情境感知推荐研究的现状,本文以电影票的推荐为研究对象,将用户观看的时间和地点等属性作为情境感知因素,并计算出所有情境属性的情境权值及该情境属性对所推荐的资源的影响值,找到与目标用户相近的邻居用户,然后根据邻居用户在相同情境下对该资源的评分,计算基于用户的协同过滤的相似值,并向目标用户推送信息资源列表,从而产生推荐的过程。基于此,本文的主要工作如下:首先,本文对情境感知推荐系统进行研究,研究现有的基于用户的协同过滤算法,并对其优缺点进行总结分析,结合目标用户在购票时所处的情境属性,选择“周”(周末和工作日)情境、“时间”情境(白天、晚上)与“位置”(是否在家附近)情境作为研究的情境因素,并设定电影资源分为娱乐性和非娱乐型。其次,提出了基于情境感知的个性化推荐模型,以电影票的推荐作为研究对象,选择“周”、“时间”、“地点”三个属性作为研究的情境因素,并分别计算这三个属性的情境权值,得出这三个情境属性对用户选择电影资源的影响值,并对情境属性的不同重要程度进行区分,结合传统的协同过滤方法针对移动环境下的目标用户进行个性化电影推荐,并通过实验表明基于情境感知的个性化推荐算法具有更高的推荐效果和效率,可以为用户提供更符合其情境的推荐服务。最后使用电影评分MovieLens数据集开展实验研究,并使用平均绝对偏差MAE作准确性评估,通过实验对比本文所提出的基于情境感知的个性化推荐算法与基于用户的协同过滤算法,得出本文所提出的算法推荐的精确度更高。