互联网技术带来了海量信息和丰富的资源,这些信息给用户带来了便利,同时也会使用户不得不面对大量无意义的信息和服务,即信息过载现象。个性化推荐系统就是根据用户历史行为数据或者其他约束条件来预测适用于用户的信息。关联规则推荐是个性化推荐系统中常用的推荐算法。本文以用户网页使用信息web日志数据为数据源,针对传统关联规则推荐算法Apriori多遍扫描数据库以及没有考虑用户信息的不足,引入用户情境对关联规则推荐算法进行改进。算法首先进行情境预过滤改进,利用单维和多维情境信息对原始数据进行划分,降低模型维度,以减小算法扫描的数据量,提高算法效率;同时,用户情境信息的引入,能够有效感知不同用户情境下的需求,提高算法准确度。其次,为更好的利用情境信息,算法在情境预过滤改进的基础上,将情境信息和推荐项目进一步融合构成多维关联规则模型,即利用情境建模继续改进算法。在实现改进算法时,利用情境信息中两个值不能同时出现在一个项集的性质进行剪枝,即在扫描数据信息前先进行一次剪枝,从而减少扫描数据库的次数,提高算法效率;而将用户情境信息与项目融合也在一定程度上进一步提高算法准确度。最后,针对海量web日志数据的性质和Apriori算法逐层迭代的特点,本文选择在Spark集群上进行实验。实验证明和标准关联规则推荐算法相比,基于情境预过滤改进的推荐算法具有较高的算法效率、准确率和召回率;另外,和情境预过滤改进的算法相比,使用情境建模继续改进的算法在一定程度上进一步提高了算法效率、准确率和召回率。