推荐系统基于用户历史数据为用户提供个性化建议,是克服信息过载的一种有效手段。随着推荐系统的日益普及,推荐系统中数据的时序性、连续性、高速性和时变性等特点使数据满足流式性质,对传统的基于静态数据构造的推荐系统提出了巨大的挑战,而基于流式数据的推荐系统能够更加有效地处理流式性质的数据。基于矩阵分解的流式推荐算法不仅可以解决传统矩阵分解算法无法处理数据稀疏性的问题,并且能够解决数据流环境下的推荐问题。最近的研究中,基于马尔科夫矩阵分解的推荐算法(MFMP算法),将矩阵分解技术与马尔科夫相关知识相结合,可以实时更新系统中用户和项目隐特征向量。然而,MFMP算法仍存在以下问题:首先,随着时间的推移,MFMP算法无法处理系统中产生的新用户、新项目;其次,算法未考虑上下文信息对用户偏好的影响。针对以上问题,本文进行了如下几点研究。(1)首先,本文针对推荐系统中不断产生的新用户和新项目,提出了一种面向新用户和新项目的马尔科夫矩阵分解推荐算法(Markov Matrix Decomposition Recommendation Algorithm for New Users and New Items,简称 iMFMP)。iMFMP 算法解决了在没有任何历史数据的前提下,如何有效获取新产生用户和新产生项目的隐特征向量的问题。最后,通过基于Movielens-1M数据集的两组对比实验,验证了iMFMP算法的评分预测性能以及推荐性能,证明了算法中获取新产生用户和新产生项目隐特征向量方法的有效性。(2)为了验证用户对项目评分时所处的上下文环境是否会对用户的偏好产生影响,本文在iMFMP算法的基础上提出了一种基于上下文的流式推荐算法(Streaming Recommendation Algorithmbasedon Context,简称 C-iMFMP)。为了从嘈杂的上下文中有效选取与评分相关的上下文信息,首先在C-iMFMP算法中提出了一种基于信息增益的上下文信息与评分相关性分析方法,在此方法的基础上将选取的上下文信息分为主观上下文和客观上下文两类,并依次将两类上下文信息与算法相融合。最后,基于LDOS-CoMoDa数据集的两组对比实验显示,C-iMFMP算法无论是评分预测性能还是推荐性能均优于其余对比算法。