随着时代的进步与发展,丰富而多样的信息呈爆炸式的增长速度出现在我们每一个人身边,这些信息为我们的生活提供了便利,但同时也出现了信息过载的问题,人的精力都是有限的,无法从数以亿计的信息中快速的甄选出自己感兴趣的内容,所以,个性化推荐系统的相关研究渐渐因其能在信息方面向用户提供更具针对性的推荐而受到越来越多的人的重视。个性化推荐系统能够依据用户的行为及注册信息、浏览历史等挖掘出用户的特征及兴趣偏好,进而从海量的信息当中挑选出用户真正感兴趣的内容。然而,在传统的信息推荐领域,一般只考虑用户与用户、用户与项目之间的联系,对于用户所处的情境影响考虑的较少,并且过多的依靠历史信息,而无法对用户的实时兴趣作出实时响应,从而致使最后的推荐结果与预期目标相差巨大。本文依据对情境感知与建模理论的相关研究和对传统推荐算法的对比分析,提出了一种改进的基于用户情境的实时兴趣模型,在融合了用户标签兴趣、行为兴趣的基础上,将用户所处环境中的情境因素引入到兴趣模型中,进而挖掘用户与所处情境之间的关联,准确获取用户不断改变的兴趣偏好,以便于推荐系统为用户推荐符合用户兴趣偏好的项目。最后在豆瓣小数据集上对改进后的兴趣模型进行实验评估,实验结果表明,本文改进的用户兴趣模型能够更加准确、有针对性的反映用户的实时兴趣。并在结合一定推荐算法的基础上,将该模型应用于儿童失踪这一社会热点问题,进行实例分析。本文主要在以下几个方面进行了深入研究:首先研究了情境感知以及相关推荐算法的理论知识,给出了情境的具体定义,研究了不同的情境对用户兴趣的影响,并将用户的情境进行分类,针对不同的情境给出了具体的获取识别方法。同时,将传统的三种个性化推荐模式——基于内容的推荐、基于知识的推荐以及基于协同过滤的推荐进行了详细的说明,分别分析了三类推荐模式所具有的优势及缺陷,并进行了对比说明。其次,针对传统用户兴趣模型动态响应能力差、兴趣影响因素考虑较少等问题,本文对将用户的情境兴趣融入到用户的兴趣模型中进了探索性研究。首先对用户的标签兴趣进行标准化处理,有效解决标签存在的语义问题,建立用户的稳定标签兴趣模型;其次,从用户上网浏览、搜索、下载等行为中获取用户的隐性兴趣,建立用户实时行为兴趣模型;然后,通过RFID/GPS等技术和情境模型对用户情境进行获取识别,建立用户情境兴趣模型;最后,整合三种模型,建立基于用户情境的实时兴趣模型。该模型不仅能够更加全面、精确的反映用户的真实兴趣,并能够不断的根据用户在使用过程中的体验数据进行模型的自动更新,从而能够保证对于用户的兴趣变化进行实时响应,以便个性化推荐系统能够更加精准的为用户服务。最后,本文考虑到社会痛点——儿童失踪问题,鉴于每天都有无数的儿童失踪信息,如此庞大的数据极易造成数据过载,真正感兴趣以及真正能够给予帮助的爱心人士无法从大量的数据中快速获得自己感兴趣的有用信息,从而耽误失踪儿童的找回,因此,本文提出将该用户实时兴趣模型应用到失踪儿童信息的推荐系统中,在结合一定推荐算法的基础上,准确地向用户推荐他们感兴趣、关心的儿童失踪信息,以此来节省用户的时间精力,提高找回儿童的几率。