随着互联网的广泛应用,用户所能接触的信息呈爆发式增长,通过大数据分析用户行为模式、预测趋势的研究开始流行起来。而此时,推荐系统的出现,通过主动给用户推荐其可能感兴趣的商品和服务,大大降低了用户从海量信息中找到自己感兴趣的内容的难度。传统的推荐系统一般是根据分析用户的行为、偏好、个人特征,计算用户之间的相似度,为其产生推荐。通常假定用户喜好一成不变,没有考虑上下文因素对用户选择的影响。上下文感知推荐系统在传统推荐系统上进行扩展,不再仅仅关注用户与项目之间关联,它充分考虑上下文环境(如季节、地域、心情等)对用户决策的影响,将用户当前所处的上下文信息运用到推荐过程中。这使得推荐结果不仅满足个性化要求而且符合情境化需要。在此基础上,本文应用贝叶斯方法对上下文建模,判断某情境中,上下文对用户决策的影响力,改进协同过滤算法,更好的为用户做出个性化的推荐。本文主要在如下几个方面做了研究工作：1.分析上下文的意义和作用,比较了几种上下文范式,选用计算最为复杂但效果最佳的上下文建模范式,结合贝叶斯方式来构建上下文用户兴趣模型,计算用户对项目的评分中上下文出现的概率,将概率作为权重融入到模型中。2.在求解单个用户对单个项目所有评分数据中,考虑到样本量少,难以求得各上下文出现的概率。将用户和项目聚类处理,实验证明,这种分类有助于解决数据稀疏性和计算的复杂度问题。3.改进基于用户的协同过滤算法,将上下文因素融入到算法中,提高推荐的准确度。4.本文在两个数据集上做离线实验,将本文算法与传统的协同过滤算法,DCR(Differential Context Relaxation)算法做对比性实验,结合评测指标MAE和RMSE两个指标,综合对比数据可知本文的算法可在一定程度上提高推荐系统的准确性。