随着信息科学技术的发展,人们开始逐渐从IT(Information Technology)时代向DT(Data Technology)时代迈进,在海量信息化的时代里,如何有效的解决信息过载难题成为了热门研究内容之一。传统的基于协同过滤的个性化推荐算法在一定程度上缓解了上述问题,然而其存在着数据稀疏性问题、冷启动问题,并且使用单一的推荐算法难以有效提高个性化推荐系统的推荐精度。针对上述存在的问题,本文主要做出了如下的工作:首先,本文提出了一种基于用户上下文感知的推荐算法。该算法引入设备日志中的上下文信息,将原有的用户信息、项目信息与对应的上下文信息融合,提取用户、项目以及上下文信息的表示特征,并在其基础上挖掘用户信息、项目信息、上下文信息三者间的潜在关联。仿真结果表明,相对于主流的上下文推荐算法,本文提出的算法有效地解决了推荐过程中的数据稀疏性问题,取得了更好的推荐效果。其次,本文提出了一种基于用户和项目辅助信息的矩阵分解推荐算法。针对传统的矩阵分解推荐模型中未考虑到用户和项目辅助信息的缺陷,该算法将用户和项目辅助信息有效的融入矩阵分解模型。在用户辅助信息和项目辅助信息的基础上,结合矩阵分解技术,对原始评分矩阵进行有效的信息补偿,并使用最小二乘法求解模型最优解。仿真结果表明,相较于主流的矩阵分解推荐算法,该算法有效地解决了个性化推荐过程中的冷启动问题,取得了更高的推荐精度。最后,本文提出了一种基于排序学习的个性化混合推荐模型。由于传统单一推荐算法往往存在一定程度上不足,例如基于内容的推荐算法推荐精度不高,基于协同过滤的推荐算法存在冷启动问题。并且不同类型的推荐算法之间难以有效融合来弥补自身不足。因此,本文提出了一种新型的个性化混合推荐模型,使用排序学习方法有效地将多种推荐算法融合起来,自适应学习并分配不同算法间的最佳融合权重。仿真结果表明,该混合个性化推荐模型可以有效弥补单一推荐算法精度不足的缺陷,解决了推荐过程中多种推荐算法间融合困难的问题,提高了推荐的准确度。