随着近几年互联网与信息技术的发展,互联网的规模得到了巨大的提升,它向用户提供的信息也正在急剧增加,我们正在面对一个“大数据”的时代。在这海量的数据中,如何获取最为符合个人需求的资源,是一个相当突出的问题。现有的传统搜索引擎与门户站点,能够在一定程度上缓解这一问题,然而它们仍不能完全满足人们的要求。当下,推荐系统作为解决海量数据给人们带来的这一“信息过载”问题的有效方案,得到了学术与工业界的广泛关注,在实际应用中也已经取得了大量成果。上下文信息对推荐系统具有重要的作用,上下文感知推荐系统把上下文信息加入推荐过程中,从而在保留了“普适计算”的特点的同时,获得了“个性化”的优势,与传统推荐系统相比之下具有更高的推荐精确度和用户满意度,其研究意义与实用价值相当高。在现有的上下文感知推荐系统中,不同的上下文维度对推荐结果的影响通常被认为是拥有相同的权重;然而,在实际应用中,不同的上下文维度(如位置、同伴、时间等)对用户的价值往往大不相同。如何计算这些上下文对推荐结果的影响程度,并把这些影响加入到推荐结果的计算过程中,以提高推荐系统的预测精度和推荐质量,是一个非常有价值的研究课题。针对这一问题,本文完成的工作如下:(1)对上下文感知推荐系统进行了研究,比较了它与传统推荐系统的异同,并分析了上下文感知推荐的整个流程。(2)根据粗糙集理论的重要度定义,提出了一种上下文维度的约简算法。通过计算上下文属性的重要度,约简对推荐结果没有影响的上下文维度,从而提高推荐精度和效率。(3)将约简后的上下文信息加入到协同过滤的推荐算法中,设计了基于粗糙集的上下文感知推荐算法,构建了包含上下文信息的用户相似度计算方式,并根据用户之间的相似度实现了上下文感知协同过滤推荐。(4)对比了基于粗糙集的上下文感知推荐算法与现有的上下文感知推荐算法,并进行了仿真对比实验。实验结果证明,基于粗糙集的上下文感知推荐算法对提升推荐系统的推荐精度具有显著的效果,是一种有效的算法。