随着互联网日益普及，数字内容呈现指数成长趋势，使人们淹没在信息洪流之中，例如：Netflix上有数万部电影，Amazon上有数百万本书籍，Del.icio.us上有超过十亿的网页收藏，这么多的消息，我们无法一一浏览，而传统的搜索引擎只能呈现给用户一样的排序清单，无法根据不同用户偏好提供个性化服务，而个性化搜索与推荐系统正是解决当前信息超载的有效方法之一。
其中推荐系统是信息过滤系统的子集，它试图预测用户将赋予他们还没有考虑的项目（例如：书籍、音乐或电影）或社交元素（例如：个人或团体）评分或偏好。
在一个真实的推荐系统中需要考虑的项目可能会有成千上万，甚至超过百万，例如：Amazon、eBay和YouTube等，用户数量也会非常庞大，因此我们需要准确且有效率的推荐系统。在激烈的竞争环境之下，现有推荐系统已经在电子商务领域取得卓越成果，但在不同领域之下，还需要各方先进和专家努力发展。
一个完整的推荐系统由三个部分组成，收集用户信息的行为纪录模块，分析用户偏好的模型分析模块与推荐算法模块；行为纪录模块负责记录用户行为，例如评分、购买或浏览等；模型分析模块负责分析用户行为，以创建合适的模型来描述用户偏好；推荐算法模块负责即时从项目集合中筛选出用户偏好项目进行推荐，此为推荐系统中最为内核的部分。
主要的推荐算法可以分为协同过滤（Collaborative Filtering）、基于内容（Content-based）与混合法（Hybrid Approaches），接下来我将一一介绍，并进一步说明如何在协同过滤法中结合情境感知 （ Context-aware ） 。
协同过滤法（Collaborative Filtering Approaches）
协同过滤法是目前最成功的推荐算法之一，通常的做法是搜索一大群人，从中找到与我们品味相近的一小群人。算法会针对这些人偏好的其他内容进行计算，产生一个有序的推荐清单。
Goldberg设计Tapestry是最早应用协同过滤法的系统，该系统允许人们根据自己对文档感兴趣的程度添加标记，并利用此信息为他人过滤文档。Konstan等人设计的GroupLens则是应用在新闻筛选上，帮助读者过滤其偏好的新闻内容，用户看过内容后给一个评分，系统会将分数记录下来供日后参考，不同于Tapestry仅在同一个系统中过滤，GroupLens是跨系统的新闻过滤机制；除此之外，Tapestry不会将同项目的评分总合起来，GroupLens则会对同项目从不同用户得到的评分加总。
协同过滤法可以分为两类：基于记忆（Memory-based）和基于模型（Model-based）的算法；基于记忆的算法根据系统中所有被评分的项目进行预测；基于模型的算法根据收集评分数据进行机器学习，得到用户行为模型进行预测。
协同过滤法需要计算两个用户相似度， 常用的相似度测量法有Distance-based、Correlation-based、Cosine-based。
总结来说，协同过滤法有以下优点：具有推荐新信息的能力，可以发现用户潜在偏好；能够推荐音乐、餐厅和电影等难以进行内容分析的项目。
虽然协同过滤法应用广泛，但是也有许多问题，例如：如何对新用户进行推荐或如何推荐新项目给用户之冷启动问题（Cold Start）；在任何推荐系统中，已评分项目通常比需要推荐项目数量少很多，而导致精确度低落之稀疏性问题（Sparsity），面对日益增多的用户，数据量急剧增加之可扩展性问题（Scalability）等。因此有的推荐系统采用基于项目相似度的协同过滤法，在项目数量相对稳定的系统，这种方法是很有效的。
基于内容法（Content-based Approaches）
最初基于内容法是协同过滤法的延续与发展，他不需要依赖用户对项目的评价，而是依据用户已经选择的项目内容计算用户之间的相似度，借此推荐合适的项目；基于内容的推荐系统依赖信息检索与过滤，经由分析已经购买或浏览的内容，对用户和项目创建配置文档（Profile），系统可以比较用户和项目配置文档的相似度，直接向用户推荐最相似的项目。
总结来说，基于内容法有以下优点：可以处理新用户与新项目的冷启动问题；不会受到评分稀疏性的限制；能够推荐新项目和非流行项目，能够发现隐藏的项目；可以通过配置文档列出推荐项目的特征，深入了解为什么推荐这些项目。
基于内容法也面临常见的信息检索问题，例如：多媒体数据（图片、音乐与视频）难以进行文本结构化，而受到了很大的限制。
混合法（Hybrid Approaches）
每一种算法都存在着一些缺点，为了择优汰劣，有些推荐系统结合了不同的方法，我们称之为混合法。而目前最常见的混合推荐系统即是基于内容与协同过滤法的搭配，主要又可分为独立系统相互结合、协同过滤系统加入基于内容法。
独立系统相互结合是分别利用两种以上的算法产生推荐结果，然后将这些结果集成起来，利用预测评分的线性组合进行推荐。
而在协同过滤系统中加入基于内容法的Fab，即是用户配置文档使用协同过滤法产生，用户相似度则使用基于内容法，而非参考共同评分项目，这样可以让系统不仅能推荐拥有共同评分的用户项目，也可以推荐与用户配置文档相似的项目。
结合情境之协同过滤法
传统协同过滤法可以被视为二维问题，其中一维是用户，另外一维是项目，每个用户与项目的交互是用户对项目的评分，当我们加入情境到推荐问题上，它就变成了多维度问题。
传统推荐算法无法直接处理这类问题，然而许多研究人员试图修改原有方法来支持情境感知；Adomavicius提出了一个相当著名的方法，其主要精神是在推荐时固定维度，也就是只考虑该情境下所有的评分，如此一来多维问题就变成了二维问题；然而这种方法会使得冷启动问题变得更加棘手，因此Adomavicius等人还提出了一个扩展有等级属性之情境的方法，为了增加准确度，他们还设计一种算法将情境分段。
另外一个方法是测量不同情境的相似度去加权评分；由于用户偏好项目会随着情境改变，若在某些情境下用户一致偏好此项目，Chen推论这个些情境即非常适合该项目。因此他使用Correlation-base相似度测量法去计算项目i在两个情境x和y下的相似度权重。
Chen还假设每个维度都是线性独立的，如此一来两个情境的相似度可以在每个维度中分别计算。
