推荐系统作为一种信息过滤工具诞生至今已有20余年,推荐算法的应用场景亦早已不限于电商领域,转而在诸多关联人和信息的领域发挥作用。早期的推荐算法多采用单一的用户物品交互数据,基于上下文信息的推荐算法致力于通过额外场景信息的引入来对传统推荐算法进行改良。受神经网络和矩阵分解算法普及的影响,特征表示的算法日新月异。本文致力于通过基于上下文的特征表示,在隐式反馈数据上引入上下文信息以提升推荐精度,具体包括三方面工作:·归纳总结并实现常见的基于特征表示的推荐模型。具体地,针对引入了上下文的隐式数据推荐场景,改进并实现矩阵分解和因子机算法;因推荐中神经网络模型应用较少,且一般只使用单一评分数据,设计了一种可引入多源特征数据的DeepRec算法。·在隐因子模型基础上,提出一种基于上下文信息的矩阵分解方法(Context Aware Matrix Factorization.,CAMF)。建模非线性的特征交互关系,同时又缓解数据稀疏性。引入按对排序学习框架,更加贴近基于隐式反馈数据的Top-K推荐场景,提升相关推荐算法性能。·针对基于上下文推荐的场景,基于Stacking模型融合框架,定制了一种不同深浅层次的多模型融合框架(Joint-training)。相比传统模型集成方法,在不降低预测准确率的前提下,更加的轻量快速。上述三方面的工作始于对APP推荐问题的研究,但不限于APP领域。为此,本文在IJCAI SocInf 2016推荐比赛数据上进行实验,以进一步验证本文相关工作在基于上下文的推荐场景中,具有一定的通用性。