随着互联网的飞速发展,网络信息过载已成为目前网络用户所面临的主要问题,资源推荐系统为解决这一问题提供了有效手段,它可以为用户提供信息过滤和资源推荐服务,提高了用户的工作效率,正逐渐被大多数用户所青睐,而资源推荐的研究亦成为学者研究的重要领域。目前,现有的主要推荐系统有基于规则的推荐、基于内容的推荐、协同过滤推荐等。基于规则的推荐是根据用户和规则模型产生的推荐,它可以满足用户实时性的需要,但规则的制定需要领域专家的参与,随着时间的推移会产生偏差和难以更新的问题,从而降低推荐的效率。基于内容的推荐是通过计算被推荐资源的内容与用户兴趣的相似性来选择所要推荐的资源,但是它只能依靠用户的兴趣进行推荐,并不能找到用户新的兴趣之处,所以推荐也会局限在用户访问的历史记录中。协同过滤推荐目前是资源推荐系统中最成功的资源推荐技术,并且在很多的资源推荐系统中都得到了大量的应用,协同过滤推荐是从用户出发,寻找目标用户的最近邻居用户,利用最近邻居对其他资源的加权评价值作为目标用户对该资源的评价,并以此为依据,向目标用户进行资源推荐,所以它可以为用户发现潜在的兴趣。虽然协同过滤推荐得到了成功的应用,并且具有很多优势,但传统的协同推荐都是通过用户对项目的评分作为基础,计算目标用户的相似邻居,然后为用户推荐资源,这样就造成了数据评分矩阵稀疏以及冷启动的问题,并且评分也无法完全反映出用户的兴趣爱好。针对以上问题,本文提出了基于语用情境的推荐方法。在传统的协同推荐方法的基础上,将语用学中的情境因素和信任因素引入到资源推荐的研究中来,其中,影响用户行为的上下文信息和场景信息成为用户情境,对用户决策产生作用的用户情境成为最显著情境,该方法首先获取用户的最显著个性化情境因素,然后结合用户最显著情境计算出用户兴趣相关性、评分相似性和评分相关性矩阵,形成用户兴趣关联模型,最后计算出用户信任等级,以用户信任等级值作为用户的评分权重,结合传统的推荐方法预测目标用户的评分。本文采用Matlab在MovieLens数据集上对该方法进行了仿真实验,实验数据表明,该方法具有可行性和有效性,较之传统的协同推荐方法和Slope One算法在平均绝对误差上有一定的提高,为现有的资源推荐技术提供了一种新的方向。最后,本文结合作者参与的高教社基于本体、语义和语用的智能化教育资源平台项目,设计了一个基于用户情境的资源推荐系统模型,以此来说明该方法在实际中的应用。