协同推荐是推荐系统中研究最多、应用最广的推荐方法,数据稀疏性问题是其存在的主要问题之一,这在兴趣点推荐中更加突出,缓解数据稀疏性是兴趣点推荐中亟需解决的问题。此外,很多情境感知类推荐系统将情景作为一个特征参与到用户建模,得到一个确定的值,忽略了不同情景组合下某些情景对用户的影响会改变的问题,需要一种有效的方法对这些情景做进一步分析。针对上述问题,本文提出一种适应情景变化的兴趣点推荐算法,从项目标签的角度对用户偏好建模,使用情景效用差进行预过滤协同推荐。本文受江西省教育厅科学技术研究项目(GJJ170211)-适应情景变化的位置关联信息推荐方法研究的资助,具体研究工作如下:(1)引入标签系统,用标签表示项目特征,并构建用户标签评分矩阵,从更低阶的特征描述用户偏好,能够有效地缓解矩阵稀疏性,降低矩阵维数。(2)以用户对标签的评分表示用户特征向量,根据用户特征向量进行用户聚类和用户相似度计算,并进行评分预测。用户标签评分矩阵是一个稠密矩阵,每个用户将会在全域范围内搜索邻居用户,用户聚类能有效缩减邻域搜索范围,提高邻居搜索效率。实验结果表明,基于改进相似度和用户聚类的协同推荐优于传统协同推荐。(3)区分标签和情景,提出情景效用的概念,用来度量情景对用户的影响,并使用情景效用差进行情景预过滤。针对很多情境感知类推荐算法忽略了不同情景组合下,相同情景对用户影响程度不同的问题,提出一种适应情景变化的协同推荐算法。引入用户情景效用的概念,并给出了计算情景效用差的有效方法,使用效用差进行情景预过滤,减少了不合理数据的引用,并达到适应情景变化的目的。在真实数据集上的实验表明:适应情景变化的推荐系统对情境感知类推荐系统有明显改善。