推荐系统作为一种重要的信息过滤技术，逐渐成为了缓解“信息过载”问题的有效手段之一。在传统推荐方法中，获得推荐结果的思路往往是通过用户和物品的评分矩阵，从用户和物品的关联关系中，使用推荐算法获得用户的偏好，而很少会考虑到用户和物品的上下文信息（如，时间、领域、社交关系、网络位置、交互情况等）。研究表明，上下文信息可以有效提高推荐系统的推荐精确度和用户满意度，上下文感知推荐系统也已成为推荐系统研究中最活跃的领域之一。本文从框架、模型、算法和应用场景四个角度出发，对上下文感知推荐系统进行了深入的研究，获得了很多重要的研究成果，对上下文信息的应用及推荐准确率的提升做出了贡献，并为解决推荐系统面临的数据稀疏性、冷启动用户、可扩展性三大问题提供了新的思路。具体的，本文从以下几方面进行研究，并取得了重要进展，如下:　　(1)在技术框架方面，从信任关系这种典型的用户上下文信息入手，明确了信任关系在推荐系统中的定义，提出了本地信任和全局信任的信任度量体系，总结出了基于信任的一般推荐过程。然后由信任信息推广开来，提出一种适用于用户上下文信息的统一技术框架，我们提出的技术框架明确了上下文感知推荐系统的输入输出及上下文信息在推荐系统中的作用范围，具有深刻的理论意义和广泛的应用价值。　　(2)在推荐模型方面，本文将领域信息与用户信任信息相结合，提出了一种基于领域的信任推荐模型，该模型包含信任学习、特征计算、用户预测三个阶段，信任学习阶段使用三种不同的信任度量方式对用户信任值进行学习，在特征计算阶段使用领域信息对信任网络进行分析，获得全新的领域信任子集，以提高推荐准确率。用户预测阶段使用全领域数据和单领域数据两种不同的训练方式进行对比。公开数据集上的实验结果表明，基于领域的信任推荐模型获得了明显优于其他方法的推荐效果，并可以有效地解决冷启动用户问题。　　(3)在推荐算法方面，本文提出一种基于社交信息的聚类协同过滤算法(SCoC)。算法由全新的研究方向入手，利用用户间上下文信息作为聚类的特征，从评分矩阵中获得聚类子集(Subgroup)，利用聚类算法和协同过滤算法的特点，将聚类子集作为不同协同过滤算法的输入矩阵，然后通过我们设计的拟合算法获得Top-N推荐结果。在多个数据集上对多种协同过滤算法进行了大量实验，结果表明SCoC算法对绝大部分协同过滤算法的排序准确率提升效果在10％以上，对降低数据集稀疏性有显著作用，并且不会产生可扩展性问题。　　(4)在应用场景方面，本文选取知识推荐这种数据量庞大，数据间信息复杂的推荐场景，实现了一个完整的知识图示化应用。结合网络链接、概念相似度提出了一种基于链接的概念相关性排序算法，并利用神经网络中的词嵌入技术与语义关联算法对排序算法进了优化。实验表明，我们提出的排序算法覆盖率与传统方法对比提升了40％，基于语义的优化方法可以将排序效果提升11.26％。最后，通过图示化方法将概念排序结果以更加直观的方式呈现出来，知识点推荐准确率达到80％以上。