随着移动互联网的发展,面向餐饮等服务业的O2O电子商务模式逐渐凸显它的价值和发展潜力。但由于O2O平台所承载的数据量不断增长,导致了“数据爆炸但知识贫乏”的困境,信息过载问题日益凸显。为解决该问题,个性化推荐系统通过信息过滤从海量的资源中提取符合用户需求的信息,在各类电子商务网站上得到了广泛应用。餐饮O2O电子商务的线上线下交互更加情景化和多元化,用户的个性化需求具有上下文敏感性,因此O2O推荐与传统推荐在数据的维度与稀疏性、用户偏好特征、推荐实时性等方面存在区别,对用户的动态偏好分析与挖掘提出了更高的要求。不过,普适计算的发展为更全面、更实时的上下文信息的获取提供了基础。在此背景下,本文通过本体建模对用户的上下文与餐饮领域推荐资源进行知识表示与推理,并对将上下文信息融入推荐模型的方法进行研究,主要研究内容如下:首先,研究了基于上下文感知的餐饮O2O推荐本体。在设计了两层本体结构的上下文服务模型的基础上,对上下文建模信息获取方法进行了分析。通过上下文本体和餐饮领域本体的概念和属性类、属性、实例等详细描述了餐饮O2O推荐中实体概念之间的交互关系,并在此基础上利用本体的属性与规则建立餐饮领域的知识库,通过规则推理实现基于知识过滤的餐饮O2O推荐。然后,研究了上下文后过滤的协同过滤推荐方法。针对传统推荐方法用于餐饮O2O推荐时的稀疏矩阵、冷启动问题,参考计算文本特征项权重的TF-IDF算法,设计了将用户-商品评分矩阵转化为用户-商品属性值评分矩阵的方法。根据以用户的评分偏好和静态上下文信息构建的相似组,采用基于KL散度为上下文加权的贝叶斯方法预测用户对于商品属性值的动态偏好。通过实验分析,验证了上下文后过滤推荐方法的有效性。最后,研究了餐饮O2O推荐流程与系统实现。从餐饮O2O推荐系统用户的实际使用需求进行考虑,将知识过滤和协同过滤两种算法按流程融合,并设计了模块化的系统体系框架,实现了上下文信息的获取以及具有推理功能的本体模块。按照用户使用系统的过程,对客户端实现的效果进行了展示。