随着网络资源和服务的迅猛发展，互联网信息已经超过了用户所能接受、处理或有效利用的范围，这个问题被成为信息过载。推荐系统是解决该问题的一个有效工具。然而，当前绝大多数推荐系统都假设用户的偏好在短期内不会发生变化，因而可以使用过去观测到的数据来预测用户将来可能选择的物品。然而，这一假设仅在某些条件下成立。事实上，用户的兴趣既包含相对稳定的部分，也包含随不同因素变化的部分。本文将这些因素统称为上下文。　　本文对如何利用上下文提高推荐效果这一问题进行研究，首先介绍了推荐系统及传统的推荐算法，然后对现有的上下文感知推荐算法进行分析。在此基础上，本文提出了两个新的上下文建模方法。　　1）针对绝大多数推荐系统中存在丰富的物品元数据这类上下文信息但用户信息不足的问题，本文提出了基于模糊理论的行为-内容聚类方法。并将基于聚类结果计算得到的用户相似度信息与基于矩阵分解的评分预测模型相结合，提出了基于用户隶属度的改进SVD算法。　　2）针对当前基于张量分解的上下文感知推荐算法未考虑用户偏置、物品偏置、上下文偏置及全局平均分等因素对评分的影响，本文首先提出了用于上下文感知推荐的偏置张量分解模型；接着针对张量分解模型的模型参数随上下文类别呈指数增长的问题，提出了基于回归树的上下文特征自动编码算法，在此基础上将该算法与偏置张量分解算法相结合，提出了基于回归树上下文自动编码的偏置张量分解算法。　　实验表明，在评分预测问题上，本文提出的基于用户隶属度的改进 SVD算法优于SVD、概率矩阵分解等最好的传统推荐算法。本文提出的偏置张量分解和基于回归树上下文特征自动编码的偏置张量分解要优于当前的张量分解和因子分解机等上下文推荐算法。