当代互联网技术和电子商务业务的迅猛发展以及“大数据”时代的到来,使得人们所面临的信息资源的数据种类和数据量的增长速度越来越快,而随着日常运营中生成和积累的用户行为数据的逐渐堆积庞大,给人类在这些数量庞大、种类繁多的资源中甄别并获取有价值的信息资源增加了难度。在此环境下,如何发现这些信息资源之间的区别与联系,并有效的分析用户的需求,帮助用户从海量激增的信息海洋中发现他们感兴趣的资源,给个性化推荐服务带来了极大的挑战。随着电子商务的广泛应用及其进一步的复杂化,如何为处于不同情境下的用户精确推荐符合其实际需求的信息资源已经成为个性化推荐服务研究的新趋势。用户偏好挖掘和推荐方法是个性化推荐任务中最为基础和关键的工作,其质量的好坏直接关系到个性化推荐的结果。用户的兴趣偏好是广泛的,并且会随着各种情境的改变而不断变化。此外,随着用户和信息资源数量的增加,伴随着情境复杂多变的特点,不同推荐方法所得到的推荐结果需要更好的推荐解释。为此,本文以电子商务中的商品个性化推荐为主要研究对象,分析用户和情境之间的关系,并探讨如何有效的联系用户偏好和商品资源,才能将最符合用户偏好的商品推荐给用户。本文的主要研究工作如下：(1)研究个性化推荐中的知识表示问题。针对电子商务中商品个性化推荐的内涵及特点,采用本体建模的方法提出一种基于情境的商品个性化推荐知识模型。该模型有效的表达了用户、商品和情境的概念以及它们之间的语义关联性,它为个性化推荐的实现提供了概念语义层面上的知识支持。(2)基于情境的用户偏好分析。本文提出一个情境化的用户偏好贝叶斯网络模型来表达情境和用户偏好之间的关系,并在该模型上采用贝叶斯网络概率推理的方法分析用户在某个特定情境下的兴趣偏好；此外,基于信息熵理论,本研究提出情境信息熵的概念来衡量用户在各种情境下对商品资源选择的行为,进而判断各种情境的重要程度,并根据情境重要度进一步对情境化的用户偏好进行分析。(3)基于情境的商品个性化混合推荐方法设计。本研究采用情境化建模的推荐模式,从用户对商品属性偏好的角度出发,对基于情境的商品个性化混合推荐方法进行了探索性研究。该混合方法主要分为协同过滤和知识过滤两个阶段：首先,结合用户评分和用户对商品属性的偏好来搜索近邻用户,并将情境相似度的匹配及情境重要度融入到协同过滤的推荐生成过程中来产生推荐结果；然后,根据用户情境以及情境化的用户偏好,采用知识过滤的方法在个性化推荐知识模型中推理出符合当前情境的商品资源形成推荐结果,并采用基于情境的推理优化方法处理与协同过滤推荐结果的冲突,进而形成最终的结果推荐给用户。(4)应用研究。最后,将本文在前面章节中所提出的模型及方法应用于移动商务环境下的餐饮个性化推荐中。本研究以移动商务背景下的餐饮菜品推荐服务为对象,设计了一个移动商务餐饮服务推荐系统体系框架,然后基于一个实际案例来分析个性化餐饮菜品推荐的实现过程。