在推荐系统领域，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"二元关系并不能生成有效推荐。例如，有的用户更喜欢在"早上"而不是"中午"被推荐合适的新闻信息；有的用户在不同的心情可能会希望被推荐不同类型的音乐。

上下文感知推荐系统领域的几个主题

• 推荐系统中的上下文建模技术;
• 推荐系统中基于上下文感知 的用户建模;
• 上下文推荐数据集;
• 检测上下文数据相关性的算法;
• 将上下文信息融入推荐过程的算法;
• 在上下文特征和用户评分之间建立显式关联的算法;
• 与上下文感知推荐系统交互;
• 上下文感知推荐系统 的新应用;
• 大规模上下文感知推荐系统;
• 上下文感知推荐系统的评测;
• 移动上下文感知推荐系统;
• 上下文感知的群组推荐.
  

上下文获取的方式

• 显示获取（explicitly）：通过物理设备感知、用户问询、用户主动设定等方式，直接获取与用户、项目关联的上下文信息
• 隐式获取（implicitly）：利用已有数据或周围环境简介获取上下文信息：可以根据用户与系统的交互日志获取时间上下文信息
• 推理获取：通过统计学方法或者数据挖掘技术。可以利用朴素贝叶斯分类器或者其他预测模型推理用户是在“家里”还是在“办公室”

基于传统推荐系统划分方法的分类

1. 基于协同过滤的上下文感知推荐生成
   将引入上下文信息融入到基于用户相似性、项目相似性和基于模型的协同过滤中,将其扩展为基于上下文用户偏好相似性计算和基于模型的上下文感知协同过滤,期望通过增加上下文约束条件,提高相似性计算或者模型的精确度,进而提高推荐精确度.
   文献Chen A. Context-Aware collaborative filtering system: Predicting the user’s preferences in ubiquitous computing environment. In:
   Proc. of the LoCA 2005. LNCS 3479, Berlin: Springer-Verlag, 2005. 244?253. http://dl.acm.org/citation.cfm?id=1056836 [doi:10.1145/1056808.1056836]
   认为“相似用户具有相似的偏好”并不充分，还应当关注“其他用户在与活动用户当前上下文相似的上下文条件下对项目的偏好“,提出将上下文信息、基于项目的上下文关联系数、用户-上下文相似性等融入协同过滤技术。
   
2. 基于内容的上下文感知推荐生成
   将上下文信息融入基于内容的推荐方法,着重考虑用户偏好、上下文与项目属性的匹配度,即：挖掘用户在不同上下文条件下对不同项目属性的偏好，并结合每个具体项目的属性描述，发现用户、项目、上下文之间的匹配程度（或概率），从而预测潜在的上下文用户偏好，最后结合用户当前上下文生成推荐。因此,在上下文建模、上下文用户偏好提取之后,项目属性特征描述和匹配度计算方法成为关键所在.