随着互联网信息资源的爆炸式增长,在海量的信息资源中寻找到符合用户自身需要的信息内容变得越来越困难,因此形成了信息过载问题。信息过载问题是“大数据”时代信息资源过多产生的负面影响。推荐系统被认为是一种能够有效缓解信息过载问题的方法。在推荐系统中,系统通过收集用户的信息和行为分析,使用兴趣建模或机器学习等方法,为用户推送最有可能满足其需求的产品或服务。由于推荐系统具有主动服务、个性化推送、强实用性等优点,推荐系统在实际应用如电子商务、数字图书馆等领域获得了广泛的应用,并且已经成为各应用领域的重点研究方向。但随着近些年来用户对个性化体验的要求越来越高,且多平台应用的发展使得推荐系统的应用范围不断扩大,用户对推荐系统的准确性和多平台特性要求越来越高,当前的推荐系统在这些方面已经难以满足用户的需求。另外,信息的快速增长同样导致了在研究领域产生了大量的复杂数据,常规的数据研究方式在面对海量数据时,无法快速而有效的获取到数据背后的本质规律,并且在研究过程中需要消耗大量的时间和人力资源。鉴于上述问题,本文提出基于场景感知技术的推荐系统,该系统以传统推荐技术为基础,结合场景感知技术,在充分考虑多平台特性的同时提高了推荐算法的准确性。同时,在推荐结果展示部分,本文使用数据可视化技术将推荐列表以图表的形式展示,使推荐结果更加直观易懂,提高了推荐系统的用户体验。本文主要的研究内容如下:(1).总结了推荐系统的产生背景和研究现状,并重点综述了基于内容的推荐和协同过滤推荐算法的原理、流程和优缺点。分析了当前推荐算法面临的主要问题。(2).阐述场景感知的概念,并提出场景感知技术在推荐系统中的具体应用。提出场景感知的协同过滤推荐算法,算法以“用户-商品-场景”三阶张量为基础,在充分考虑多平台特性和准确性的同时创造性的引入场景感知信息,将传统协同过滤算法转换成场景感知的协同过滤算法,有效的减少了预测评分的误差。最后通过实验对比,验证了场景感知推荐算法的可行性和先进性。(3).将推荐系统的研究从传统的“用户-商品”到评分的映射改为从“用户-商品-场景”到评分的映射,使推荐系统的研究内容更加多样化。同时,使用张量分解法求解推荐系统的预测评分问题。(4).将数据可视化技术引入推荐系统的研究当中,总结了数据可视化技术的背景和一般步骤。编码实现了场景感知推荐与可视化系统,以系统的形式完成对固定用户、商品和场景下的预测评分功能和对用户在固定场景下生成推荐列表的功能。最后以可视化图表的形式展示实验结果数据。