随着信息技术和互联网的快速发展,人们已经从信息匮乏的时代进入了信息过载的时代。在这个基于互联网的“大数据”时代,如何有效解决海量数据引起的“信息过载”问题,受到研究者的广泛关注。通过个性化推荐服务来挖掘用户与项目之间关联关系,为不同用户提供不同的服务或信息内容,在“大数据”环境下帮助用户找到其可能喜欢的项目(如在线商品、Web、服务信息等),并生成个性化推荐以满足用户个性化需求来解决“信息过载”问题。其中,通过将上下文信息引入推荐系统,上下文感知推荐系统不仅可以帮助用户从海量资源中获取满足自身需要的信息,而且可以在“任何时间、任何地点、以任何形式”获取和接入网络信息与计算机资源。上下感知推荐技术在移动互联网、物联网、社交网络、信息检索、在线旅游、广告等诸多网络应用领域具有广阔的发展前景。本文主要研究基于上下文的Web推荐算法,对用户上下文信息的处理、上下文用户偏好的提取、上下文感知推荐结果的生成进行详细介绍和系统研究分析。重点研究如何在推荐系统中引入时间上下文信息和位置上下文信息,并提出了融合用户时效偏好的推荐算法和基于协同过滤的位置感知推荐算法。时间是一种重要的上下文信息,随时间准确获取用户偏好能有效提高推荐系统精度,然而基于全部用户的简单时间相关性对上下文感知推荐系统没有现实意义,因为用户的偏好随着周围环境的变化而改变。本文提出的融合用户时效偏好的推荐算法通过在推荐系统中引入基于会话的时态图STG(Session-based Temporal Graph),并提出基于STG的路径融合算法PFA(Path Fusion Algorithm),生成对某个用户的top-N物品推荐,使得基于时间上下文的推荐系统能够捕获用户长期和短期偏好,产生时效推荐。位置同样是一种重要上下文信息,不同地区的用户兴趣不同,并且当推荐物品具有位置属性时,用户更加倾向于离自身较近的物品,根据用户和物品的位置信息来捕获用户兴趣能有效提高个性化推荐精度。本文提出的基于协同过滤的位置感知推荐算法在推荐系统中引入金字塔模型PM(Pyramid Model)实现用户分区和用户旅行代价的计算,并提出基于金字塔模型的协同过滤算法PMCF(Collaborative Filtering Recommendation algorithm based on Pyramid Model),生成对用户的 Top-N 物品推荐。理论分析与实验结果证明融合用户时效偏好的推荐算法和基于协同过滤的位置感知推荐算法在准确率评估指标上较传统的推荐算法在性能方面有明显的提高。