近年来,随着大数据时代的来临,移动互联网的不断进步和智能化移动设备的广泛普及给人们带来了极大的便利。人们可以随时随地访问网络,在获得丰富的服务体验的同时,也产生了巨量的信息数据。移动互联网的快速发展,允许用户可以通过多种形式的多媒体信息来与外界进行交互,多样复杂的上下文信息当中直接体现出了用户对物品的情绪特征,甚至还间接隐含着用户的潜在兴趣偏好。推荐系统够主动满足用户对各种移动互联网应用服务的需求,帮助用户进行决策,节省搜索候选服务所需要的精力和时间。在当前移动大数据时代的环境下,推荐系统中的最终方向是面向用户提供多层次资源的推荐。其中商品评分、地点位置、时间、评论文本、社交网络、情感表征等信息是最为常见的,也是最容易被挖掘、分析和利用的上下文信息数据。然而,现存上下文感知推荐系统中常伴有上下文信息挖掘不全面、物品侧信息利用不到位、用户-物品交互矩阵过于稀疏以及模型解释能力较差等问题,因此研究上下文感知推荐有着重要的理论和现实意义。本文的主要工作包括:（1）分析了上下文感知推荐的研究现状,以及现有上下文推荐中所包含的一系列问题,并在此基础上研究有效的解决办法;（2）提出一种混合推荐方法HDMF（Hybrid Deep Matrix Factorization）,将深度结构用于基于文本语义感知的推荐。利用深度矩阵分解模型对高维稀疏的用户-物品评分矩阵进行降维,并结合循环神经网络提取文本语义特征表示,并融合到深度神经网络的结构中,以优化物品的表示向量。在Cite ULike数据集上进行了大量的对比实验和额外超参数分析实验,验证了HDMF的有效性;（3）提出一种协同推荐方法ICDMF（Item Classification based Deep Matrix Factorization）,从物品侧角度出发,与物品类别信息相结合。物品类别不仅反映出物品的功能和语义信息,而且在维度上远小于用户-物品评分矩阵中的物品稀疏向量的维度,同时还能提升算法本身的可解释能力。在Movie Lens-1M和JD-Smartphone数据集进行了大量的对比实验和额外超参数分析实验,验证了ICDMF的有效性;（4）在上述研究的基础上,对两种算法进行了融合应用,实现了一个基于上下文感知的推荐原型系统Rec Movie。