互联网技术的蓬勃发展导致信息过载,使得公众难以辨别琳琅满目的商品和选择最符合自己需要的商品。因此,基于信息检索的个性化推荐系统应运而生,协同过滤技术是应用最广泛的、最成功的推荐技术之一,但也面临着数据稀疏性、冷启动等问题的严峻挑战,同时传统的协同过滤算法在相似度计算中往往忽视了用户个人的上下文信息对项目相似度的影响。针对以上问题,本文通过融入了项目近邻信息对约束概率矩阵分解算法进行改进,并结合用户上下文信息和用户动态预测评定方法,提出一种基于用户上下文和项目近邻的协同过滤推荐算法。首先,将项目标签划分为基于内容和基于情感两类,通过计算这两类标签的权重,来确定每个项目的内容和情感向量,并计算出项目的邻居集,融入到约束概率矩阵分解算法中;其次,根据用户上下文信息以及用户对项目的情感设定,选择出近邻用户及其相关项目;最后,采用动态预测填充的方法来解决个性化推荐中的数据稀疏性问题。在Movie Lens-1M数据集上,通过实验分别与余弦相似度、皮尔森相似度和用户上下文算法的MAE值、Pu值进行比较。测试结果表明:该算法能够缓解评分稀疏性对算法的影响并更有效的预测用户对项目的评分,显著降低平均绝对误差,提高推荐准确率。