随着互联网、物联网、移动互联网的飞速发展,海量的数据信息产生了信息过载问题。尤其在大型电影推荐网站,如何通过一种有效的机制来帮助用户快速的获取到想要的电影信息,这已成为了当前研究的一大热点和难点问题,其中推荐系统是其研究的主要内容。目前国内外针对推荐系统的研究主要集中在协同过滤推荐、基于内容的推荐、基于知识的推荐和组合推荐四个方面。协同过滤算法以其独特思想和便捷的计算方式在推荐系统领域得到了广泛的应用。但随着系统中用户和项目规模的不断增大,传统协同过滤算法在处理效率、稀疏性和拓展性方面存在不足。本文基于协同过滤中的隐语义模型,首先介绍了模型的理论方法,然后针对评分矩阵高度稀疏的问题,利用k-means算法对模型进行了改进。同时为了提高模型的推荐精度和预测准确率,在模型中加入时间上下文信息。文章主要的工作内容有:1.基于推荐系统的原理和方法,介绍了基于领域的协同过滤算法和基于模型的协同过滤算法理论。2.针对用户评分稀疏问题,利用k-means算法对用户数据进行聚类;然后根据聚类结果重构评分矩阵,显著的降低矩阵维度和稀疏度;最后通过修改模型的评分策略得到改进隐语义模型K-LFM。3.为了提高模型的精度,将时间上下文信息加入到传统的“用户-项目”二维推荐过程。通过改变模型的矩阵分解形式,实现对“用户-项目-时间”三维评分矩阵的分解,在提高模型精度的同时实现了对模型的拓展。4.在movielens数据集上实验对比算法的性能,同时借助Hadoop平台的Mahout组件设计实现了一个推荐引擎原型。