个性化推荐作为一种有效的信息过滤手段已成功应用于电商、音乐和电影等领域,传统的推荐系统(如基于内容和协同过滤的推荐)倾向于使用相对简单高效的用户模型。然而,大多数应用场景下,不同上下文因素之间存在一定相关性,推荐系统需要融合多种不同类型的上下文。因此,本文从推荐系统的不同阶段深入研究了评分预测和top-k推荐问题。本文的主要工作和贡献如下:(1)提出一种基于社区和个体影响力的上下文推荐算法;首先,结合用户、项目和多维上下文信息提出了上下文层级社区发现算法,有效完成了上下文信息预过滤;接着,将个体影响力融入推荐计算中,提出了基于社区和个体影响力的上下文推荐算法(IIBER),有效挖掘了用户和项目之间的内在关系,并优化了由社区动态变化引起的不稳定推荐问题;最后,在三个真实数据集上的仿真实验结果表明,IIBER在F-measure和多样性方面均优于基准方法。(2)介绍了一种基于矩阵分解扩展的上下文感知推荐系统算法,即稀疏线性方法(CSLIM),并讨论了基于上下文评分偏差的SLIM算法,GCSLIM;然后提出一种基于GCSLIM和上下文因素叠加偏差的推荐算法,DE-GCSLIM,隐含学习了上下文叠加引起的评分偏差;最后,仿真实验选用了三类真实上下文数据集,从多个指标与基准上下文推荐算法进行对比,结果表明DE-GCSLIM整体表现较其他算法更好。(3)从电子政务办事推荐角度提出一种适用于特定场景下的上下文推荐算法,并设计出具有一定实时计算特性的框架满足实际应用。首先,深入调研电子政务办事特点,围绕用户、办事项的多维上下文信息进行特征建模;其次,基于社区和关联序列挖掘提出一种电子政务推荐算法(CAS-UR),并讨论分析了推荐算法的性能和仿真结果;最后,设计了适用于实际应用场景的推荐架构,可视化展示了数据开发流向图以及推荐应用结果展示。