随着移动互联网、物联网、社交网络、普适计算、电子商务的发展,互联网的疆界被大大拓展,我们即将进入一个“大数据”时代。如何缓解泛在感知、普适计算环境下的海量数据给人们带来的“信息过载”问题,成为研究界和学术界关注的热点。上下文感知推荐系统通过将上下文信息引入推荐系统,兼具“普适计算”(信息和计算资源的获取与接入可以发生在“任何时间、任何地点、以任何形式”)和“个性化”(帮助用户从海量资源中获取满足其自身需要的内容)两种优势,能够进一步提高推荐精确度和用户满意度,具有重要的研究意义与实用价值。此研究领域主要涉及个性化服务与推荐系统、普适计算与上下文感知计算、用户建模与用户行为分析、认知心理学与决策学、云计算与大数据分析等理论与技术,并在电子商务、信息检索、物联网、移动互联网、多媒体信息服务、电子旅游、计算广告学、智能家居/交通/办公环境等诸多工业领域具有广阔的应用前景。目前,这个领域的研究刚刚起步,还有许多问题亟待解决。本文针对上下文感知推荐系统的一些关键问题进行研究,主要包括：如何通过分析上下文信息及其关联的用户历史行为来提取上下文用户偏好、如何缓解上下文感知推荐系统中存在的数据稀疏问题、如何利用情绪特征上下文提高推荐系统精确度、如何将社会化网络信息融入上下文感知推荐系统。在综述上下文感知推荐系统研究进展的基础上,本文主要取得以下几方面研究成果：(1)目前上下文感知推荐系统大多只关注推荐生成过程、而忽略上下文用户偏好提取过程,使其不易展开应用实践。针对这个问题,本文面向个性化移动网络服务领域,受加工水平模型和分布式认知理论的启发,提出一种基于认知心理学的上下文用户偏好提取方法：以包含上下文信息的用户历史行为为输入,在移动用户偏好信息结构建模的基础上引入服务加工水平认知、有效上下文认知的概念,并计算其对用户偏好提取的影响,然后分别提取基于服务加工水平认知和基于有效上下文认知的用户偏好,最终提取综合的用户偏好。该方法的实质是从研究层次化移动用户需求、有效上下文信息的分布式认知与差异化计算的角度,分析各种因素对偏好提取过程的影响,并逐步提取精确的用户偏好。仿真实验结果表明,该方法能够有效挖掘层次化移动用户需求以及上下文关联的移动用户行为数据,发现不同上下文类型及其实例对移动用户偏好的差异化影响程度,并降低噪音上下文因素带来的消极影响,从而提高个性化移动网络服务精确度。(2)针对上下文感知推荐系统中存在的高维数据稀疏问题,提出一种基于高阶奇异值分解技术和上下文波动特征分析的上下文推荐方法。首先对多维度上下文用户偏好进行建模,并将已知的多维度上下文用户偏好分解为多个单维度上下文用户偏好,进而通过张量模型为它们构造相应的三阶张量；其次,利用高阶奇异值分解技术挖掘各个已知单维度上下文用户偏好张量的潜在语义关联,以预测未知的单维度上下文用户偏好；然后,提出一种在上下文感知推荐过程中计算上下文影响系数的方法,分析用户偏好受不同上下文类型影响的波动程度；最后,利用上下文影响系数和单维度上下文用户偏好,加权融合计算多维度上下文用户偏好,并生成推荐。仿真实验表明,该方法相比基准对比方法在推荐精确度方面具有明显优势,能够有效缓解上下文感知推荐系统数据稀疏性问题。(3)从人类认知决策理论的角度来看,推荐系统可以被看作辅助人们进行决策的工具,而情绪因素在决策生成过程中占据重要作用。本文提出几种将情绪特征上下文引入推荐系统的方法：从是否考虑情绪对用户偏好的差异化影响的角度,提出两种单纯的基于情绪的基于用户的协同过滤方法；将改进的基于情绪的基于用户的协同过滤方法与传统的基于用户的协同过滤方法进行混合,提出基于相似度融合和基于评分预测融合的两种混合式协同过滤方法；为了缓解数据稀疏性问题,提出基于高阶奇异值分解技术的基于情绪的推荐方法。利用公开发布的Moviepilot挑战赛数据集展开实验分析,实验结果表明：情绪特征上下文在一定程度上对用户偏好是有影响的；单纯的基于情绪的基于用户的协同过滤方法并不优于传统的基于用户的协同过滤方法,而基于情绪的混合式协同过滤方法则优于传统基于用户的协同过滤方法；高阶奇异值分解技术相比传统矩阵分解技术、传统基于用户的协同过滤方法,能有效缓解“用户-项目-情绪”推荐数据的稀疏性。(4)针对社会化网络环境下的上下文感知推荐问题,提出一种基于社会化网络分析的上下文感知推荐系统的定义,对其输入、输出、目标功能进行数学描述；然后,面向个性化移动网络服务研究领域,提出一种启发式的基于社会化网络的上下文感知推荐方法,综合考虑上下文移动用户偏好相似度计算和移动社会化网络的信任传递两方面因素,发现用户的最近邻居,并预测潜在上下文用户偏好以生成推荐。利用真实采集的数据集展开实验,表明该方法在推荐精确度方面相比传统基于用户的协同过滤、上下文预过滤、基于矩阵分解的推荐方法以及不考虑上下文信息的社会化推荐方法和不考虑社会化网络信息的上下文感知推荐方法的可用性和先进性。