随着移动互联网和社会化营销的深入发展,以及线上与线下资源不断融合,O2O模式已成为社会生活不可或缺的新型消费形式。然而,伴随商品和服务的数量剧增,信息过载问题成为O2O亟待突破的难题。同时,在O2O环境中线上与线下交互更具情境化,用户的个性化需求具有情境敏感性,其需求随情境的变化而不断改变。在此环境下,如何有效挖掘用户在不同情境条件下的偏好,从海量激增的商品和服务中发现符合用户需求的资源,解决O2O环境中的信息过载问题,已经成为融合情境的个性化推荐亟待深化的一个重要课题。融合情境的个性化推荐将情境信息融入个性化推荐之中,分析用户的情境偏好,并向用户推荐符合当前情境条件下需求的资源。因此融入哪些情境信息、采用何种方式融入、如何有效挖掘用户情境偏好以实现有效个性化推荐是研究的关键。本文以O2O环境下个性化推荐为研究对象,针对情境关联概率后过滤推荐算法存在的缺陷,借用TF-IDF算法挖掘用户情境偏好,并提出基于TF-IDF模型的情境后过滤推荐算法。此外,针对情境后过滤推荐范式忽略情境与用户和项目之间的关联关系,难以保证数据完整性的问题,本文提出了基于蚁群聚类算法的启发式推荐算法。本文主要研究工作如下:(1)O2O环境下的情境感知计算问题研究。在分析O2O环境中情境信息基础上,通过显式或隐式方式获取相应情境信息。同时利用信息熵理论来识别不同O2O场景中的有效情境信息,降低无效情境的干扰。针对O2O环境下的用户高频次消费行为,采用AVG(平均值)法进行不同维度下的聚合计算。然后采用维度建模对O2O环境下的情境数据进行个性化推荐建模。(2)O2O环境下的用户情境偏好提取问题研究。在构建情境偏好预测模型时,已有研究仅考虑当前情境下用户与项目的关联概率,忽视了用户在其他情境下选择该项目对当前情境的影响,本文借用TF-IDF算法的思想,结合用户在当前情境下与项目的关联概率和情境普遍重要性来构建情境偏好预测模型,以此来提高用户情境偏好提取的精确度。(3)O2O环境下情境后过滤推荐范式研究。研究采用情境后过滤推荐范式,在传统推荐初始预测评分的基础上,提出基于TF-IDF模型的情境后过滤推荐算法,并运用TF-IDF情境偏好预测模型对其予以调整生成最终推荐。在初始预测评分时,针对传统相似性计算存在的缺陷,将项目类别偏好相似性和项目评分相似性加权结合来搜索最近邻,提高了初始预测评分的准确性;在情境后过滤时,采用TF-IDF情境偏好预测模型对初始评分调整,鉴于直接过滤和评分校正两种过滤方法互有优劣,本文将二者结合起来,提高预测评分的准确性。(4)O2O环境下情境建模推荐范式研究。情境后过滤推荐范式忽视情境与项目、用户之间的关系,导致数据不完整。为此,本文采用启发式推荐方法,在利用蚁群聚类构建与当前情境偏好相似的数据集的基础上,采用多维距离计算来预测用户在当前情境下对各项目的评分,从而提高推荐的质量和用户满意度。(5)O2O环境下融合情境的个性化推荐实验与评估。以餐饮020为实验对象,对本文研制的算法予以验证。通过情境信息熵计算发现:地区、作息、天气、情绪和同伴五个情境类型对餐饮020中的用户消费决策影响较大。同时,实验表明:与传统推荐算法相比,基于TF-IDF模型的情境后过滤推荐算法优势明显。与单纯考虑当前情境偏好的情境关联概率后过滤推荐相比,基于TF-IDF模型的情境后过滤推荐算法更为有效。而与基于TF-IDF模型的情境后过滤推荐算法相比,基于蚁群聚类的启发式推荐算法更胜一筹。