为了令现有推荐系统满足高度稀疏数据环境下用户的智能化推荐需求,越来越多学者针对情境感知推荐方法进行了研究和改进。情境感知推荐领域,情境信息包含两类,本文将之归纳为:静态情境信息、动态情境信息。静态情境信息即用户、项目所固有的属性,其取值范围可为推荐系统预先观测。动态情境信息则是用户在与项目交互过程中蕴含用户偏好等特征的评论或标注信息。现有的推荐方法,没有充分考虑到情境信息对用户评分的影响,造成推荐精度不高,无法满足用户智能推荐需求等问题。针对此类问题,本文关于情境感知推荐方法的研究,细化为针对两类不同情境信息而分别提出两种情境感知推荐模型。首先,针对静态情境信息,本文研究将可选择的静态情境信息作为独立特征向量,引入到传统矩阵分解模型中,将其与用户因子、项目因子分别交互后的累加值作为预测值输出,从而提出一种融入静态情境信息的矩阵分解推荐模型。另外,针对动态情境信息,传统推荐系统难以有效提取其动态变化的隐含特征,且存在评分信息与情境信息割裂等问题。本文通过引入深度学习技术,分别学习到评分与动态评论数据的深层非线性特征,并通过深度融合层对多源特征向量进行交叉融合,提出一种基于深度学习的多源特征混合推荐模型,有效的解决了动态情境信息与评分信息割裂造成的准确率不高等问题。本文具体工作如下:一、提出了一种融入静态情境信息的矩阵分解推荐模型。将情境信息作为独立的维度引入到传统矩阵分解模型中,通过情境条件与用户及项目因子分别交互累加,同时考虑到不同用户和项目对情境信息的敏感度不同,加入全局情境因子向量,用以平衡用户、项目因情境敏感度不同而造成的预测偏差。最后训练模型得到最终预测评分值。二、提出了一种基于深度学习的多源特征混合推荐模型。首先采用多层知机网络学习稀疏评分数据中的潜在非线性特征。然后利用BERT模型和自注意力机制学习项目评论集的潜在特征。通过长短时记忆网络学习到用户评论集中用户的动态偏好特征。区别于传统方法中直接采用内积进行评分预测,本文模型构造深度融合层,通过不同层次不同粒度的特征交叉,充分利用评分特征与评论特征的关联,从而进一步提升模型的准确率。