文档介绍：: .
软件学报ISSN 1000-9825, CODEN
时,沉浸于信息海洋而难以及时、准确地获得满足其自身需要的信息,从而引发“信息过载”问题,给人们带来很
,搜索引擎(如 Google、百度等等)是最普遍的辅助人们获取信息的工具,但仍然不能满足不
同背景、不同目的、不同时期的个性化信息需求[1],从而不能真正有效地解决“信息过载”,人们提出“个
性化服务”[1,2]的概念,(recommender systems)[36]作为个
性化服务研究领域的重要分支,通过挖掘用户与项目之间(user-item)的二元关系,帮助用户从大量数据中发现其

 基金项目: 国家自然科学基金(60872051); 中央高校基础研究基金(2009RC0203); 北京市教育委员会共建项目
收稿时间: 2010-11-01; 修改时间: 2011-05-06; 定稿时间: 2011-08-09; jos 在线出版时间: 2011-09-09
CNKI 网络优先出版: 2011-09-08 16:45, . Journal of Software 软件学报 , , January 2012

可能感兴趣的项目(如 Web 信息、服务、在线商品等),,推荐系统在
电子商务(如 Amazon、eBay、Netflix、阿里巴巴、豆瓣网、当当网等)、信息检索(如 iGoogle、MyYhoo、GroupLens、
百度等)以及移动应用、电子旅游、互联网广告等等众多应用领域取得较大进展.
20 世纪 90 年代初,Weiser 提出了“普适计算”的概念,作为其核心子领域之一的上下文感知计算理论,使系统
能够自动发现和利用位置、周围环境等上下文信息,并为用户提供服务和计算资源,
息检索、移动计算、电子商务、物联网、智能家居/办公、环境监测、医疗、军事等应用领域的发展要求,将
上下文感知计算应用于这些领域以提高用户体验和系统性能,成为学术界和工业界关注的热点之一,上下文信
,人们往往只关注“用户-项目”之间的关联关系,而较少考
虑它们所处的上下文环境(如时间、位置、周围人员、情绪、活动状态、网络条件等等).但是,在许多应用场景
下,仅仅依靠“用户-项目”,有的用户喜欢在“早上”而不是“中午”被推荐合适
的新闻信息,有的用户在“旅游”时想要被推荐一些合适的周边餐馆、商场等,有的用户在“心情愉悦”时更愿意被
,以进一步提高推荐精确度和用户
满意度,兼具“普适计算”和“个性化”两种优势(“普适计算”表示信息和计算资源的获取与接入可以发生在“任何
时间、任何地点、以任何形式”,而“个性化”则可以帮助用户从海量资源中获取满足其自身需要的内容),具有重
要的研究意义和实用价值,逐渐成为推荐系统研究领域最为活跃的分支之一.
国外许多大学和研究机构对上下文感知推荐系统理论、方法及应用展开了深入研究,如美国明尼苏达大学
和纽约大学[710],意大利波尔察诺自由大学[1115]和博洛尼亚大学[16,17],德国柏林工业大学[18,19]、康斯坦茨大
学[2022]、慕尼黑工业大学[23,24]和约阿尼纳大学[25,26],西班牙电信研究院[11,27],新加坡南洋理工大学[28],英国华威
大学[29,30],韩国浦项工业大学[31]和首尔大学[32],IBM 研究院[33],微软研究院[34],意大利电信公司[35]