上下文感知推荐系统（Context-aware Recommendation Systems，简称CARS）已经成为个性化推荐研究领域最为活跃的研究领域之一。上下文感知推荐技术的主要研究任务，就是如何利用用户的上下文信息，在传统推荐技术的基础上进一步提高推荐结果的精确度和用户的满意度。上下文感知推荐技术因其普适计算和个性化的特征被广泛应用在许多工业领域中，近年来，尤其在电子商务、信息检索、移动应用、电影和音乐推荐和电子旅游等领域具有广阔的应用前景。虽然上下文感知推荐技术的研究已经取得了一定进展，但是仍然是一个充满问题和挑战的新兴研究领域。上下文感知推荐过程中存在上下文信息种类和类型复杂、用户需求各异等问题，使得充分结合用户的上下文信息以针对不同用户的需求推荐适当的资源相当困难，不能得到很好的用户满意度。因此，在用户上下文复杂和需求各异的情况下，仍能得出精确的推荐结果和较高的用户满意度，就成为一个亟待解决的问题。基于上述分析，本文针对数字家庭环境，对上下文感知推荐相关的技术进行分析，并结合研究环境中存在的问题和传统推荐技术的不足，尝试利用流行度预测技术进行改进，并利用多元线性回归技术进行流行度的预测，本文主要研究上下文感知推荐过程中的上下文信息结合不充分和新兴趣点挖掘问题，在传统推荐技术的基础上，针对数字家庭环境中的上下文信息特点，提出一种基于流行度预测的个性化媒体推荐算法MRAPP。该算法首先分析数字家庭环境下用户的上下文信息，并对上下文信息进行分类建模，通过传统的基于内容的推荐技术CB计算推荐结果，然后，针对基于内容推荐技术无法为用户推荐新兴趣点的问题，引入流行度的概念。文中通过理论证明和仿真实验，论证了MRAPP算法的有效性。本文的创新点在于考虑到用户已经不满足于与其上下文信息相似的推荐资源，而需要推荐技术为其挖掘新的兴趣点，因此，引入了流行度的概念，并通过在服务器端利用多元线性回归计算流行度的预测值，结合基于内容推荐技术的推荐结果，为用户推荐适合其环境的新资源，提高了用户的满意度。个性化媒体推荐算法的研究已经成为推荐技术研究的热点问题。在信息量较大的情况下，一个有效的媒体推荐算法能够很好的结合用户的上下文信息，确保为用户推荐其感兴趣的资源。保证为用户推荐其感兴趣的媒体资源的同时，为用户推荐新的媒体兴趣点，具有理论意义和实践价值。