随着信息技术、移动互联网、社交网络等相关技术的飞速发展,人们在享受丰富多彩的信息服务的同时又被信息所淹没,进入了“信息过载”的大数据时代。推荐系统可以帮助人们从海量数据中筛选用户感兴趣的项目(这包括物品、信息或服务等),为人们提供便捷的服务并提升用户体验,推荐系统的研究具有重要的社会价值和现实意义。然而,传统的个性化推荐技术只考虑了用户与项目二元关系,忽略了用户与项目交互时所处的环境状态和项目特征;同时,实际应用中由于用户-项目矩阵极度稀疏且数据不完整,推荐系统的性能在不同程度上会受到影响。社交网络同质性理论“人以群分,物以类聚”的思想表明,具有相似特征的个体有选择彼此作为朋友的倾向,用户的社会化信息可能会对推荐系统产生影响;另外,人的兴趣爱好并不是一成不变的,用户的个性化需求也受时间、天气、地点等用户所处环境状态的影响。基于此,本文的研究目标是将多种类型的情景信息引入推荐系统,提升推荐系统性能。本文的主要研究工作包括:首先,针对“用户-项目”评分数据稀疏无法彻底反映用户偏好特征问题,提出一种融合用户社交关系和用户情景信息的矩阵分解算法用于兴趣点推荐。算法在社会化推荐基础上融入情景信息,使用图卷积神经网络模型将带有情景信息的用户节点降维表示,然后计算情景用户相似性,将情景用户相似信息融入矩阵分解模型,用以提升推荐算法性能。在Foursquare公开数据集上与PMF算法、ISMF算法和Trust MF算法进行了对比实验,实验结果表明该算法提高了推荐准确率。其次,研究项目情景对用户决策行为心理活动的影响,将项目的地理相关性和类别相似信息引入推荐系统,提出一种结合用户情景和项目近邻的兴趣点推荐算法。算法将具有地理相关性的相似项目信息融入推荐系统为用户生成个性化推荐,以提高推荐的准确率。在Foursquare公开数据集上进行实验,与PMF算法、ISMF算法、Trust MF和SNC-MF算法相比,算法的RMSE值和MAE值均有不同程度提升,进一步提高了推荐的准确率。最后,研究用户轨迹中隐藏的用户偏好对移动推荐的影响,使用EDR距离和编辑距离计算移动用户轨迹的空间相似和文本相似性,使用相似轨迹模式用户群为移动用户下一个访问位置点提供推荐,并在Foursquare公开数据集上进行了实验验证。