电子商务中产生越来越多的产品和交易信息,使得用户快速找到自己想要的产品变得越来越困难。同时,电子商务企业也面临着如何推荐让用户满意的产品从而提高销售量的问题。电子商务推荐系统就是为了解决这些问题而产生的。协同过滤这类推荐技术更多的是基于用户产生的数据直接进行分析,很少基于经济行为来进行电子商务的推荐。本文结合经济学中的总剩余最大化(Total Surplus Maximization)和物品上下文约束,提出了基于总剩余最大化和物品上下文约束的协同推荐模型。首先,根据用户的购买记录情况,综合用户的关联购买和时间局部性,构建物品相似度矩阵;其次,通过矩阵分解和物品上下文约束构建用户的个性化效用模型,并根据最后一单元零剩余法则,构造用户效用的目标函数,使用消费数据训练得到用户的个性化效用预测模型;最后根据总剩余最大化模型(TSM),得到用户对物品的购买预测模型,使消费者利益和生产者利益总和达到最大。本文通过引入物品的上下文约束,缓解消费记录矩阵的稀疏问题,更好的预测用户的个性化效用,最终得到更好的购买行为预测。论文在TaFeng超市销售数据集上进行实验对比和结果分析。从而得出结论,我们的模型与过去相关的协同过滤和基本的TSM算法相比,在稀疏数据集上取得了更好的推荐效果。