随着互联网信息的爆炸式增长,用户在数据严重过载的情况下获取信息的成本越来越高,为了帮助用户更加便利而且精准的获取数据,推荐服务应运而生。然而传统的推荐算法却面临着一些固有的问题,一方面,传统的推荐算法仅仅着眼于用户对商品的打分数据,并没有考虑用户和商品的上下文信息,而且用户和商品的属性也会随着周围环境的影响而发生变化;另一方面,由于用户对商品的评分数据固有的稀疏性,使得传统推荐算法正在面临着推荐质量的严重下降的问题,为了提高推荐服务的质量,需要在推荐过程中引入更多的用户和商品的上下文信息,这就产生了情景感知推荐技术。现实中的推荐系统包含了多种类型的对象和关系,这些不同对象和关系构成了一个异质信息网络,如何利用异质信息网络对多种信息进行融合,并为用户提供个性化的精准推荐服务,成为本文需要解决的一个关键问题。另一方面,由于知识库提供了丰富的信息,包括具有不同语义的结构化和非结构化的数据,因此在混合推荐系统中使用知识库引起了越来越多的关注。针对上述问题,本文主要贡献分成三部分:1.通过分析了传统的社会推荐算法的局限性,本文首次提出了一种新颖的推荐算法,双相似度的贝叶斯排序模型。该方法通过引入异质信息网络中用户和商品的相似度信息,修正了标准的评分规则,同时利用对级的方法贝叶斯排序模型进行了参数的学习。2.基于大数据分析平台BDAP,本文通过使用大规模分布式计算框架实现了数据预处理算法、协同过滤算法的并行化,并组件化。3.通过研究如何利用知识库中的异质信息网络来提高推荐服务质量,本文在分析了知识库的基础上,提出了一种知识库嵌入的推荐框架,分别使用了两种算法从结构化内容、文本内容中来抽取实体的语义表示。