推薦系統需要結合使用者所處的上下文，包括使用者訪問系統的時間、地點、心情等，對於提高推薦系統的推薦效果是非常重要的。
即研究如何給使用者生成TopN推薦表，幷包含使用者在某一時刻地點最可能喜歡的物品：

時間上下文資訊：

①使用者興趣是變化的：不同年齡是不一樣的
②物品是有生命週期的
③季節效應：反映了時間本身對使用者興趣的影響

系統時間特性的分析：
在給定時間資訊後，推薦系統從一個靜態系統變成一個時變的系統，而使用者的資料也變成了時間序列。包含時間資訊的使用者行為資料集通過一系列三元組構成（u,i,t）代表了使用者u在時刻t對物品i產生過行為，可以通過統計如下資訊研究：
①資料集每天獨立使用者數的增長情況
②系統的物品變化情況
③使用者訪問情況，相隔T天的重合度

物品的生命週期和時效性指標：
①物品平均線上天數：
如果一個物品在某天被至少一個使用者產生過行為，就定義在這一天線上
②相隔T天系統物品流行度向量的平均相似度
取系統中相鄰T天中的兩天，分別計算這兩天的物品流行度，從而得到這兩個流行度向量，然後計算著兩個向量的餘弦相似度，如果相似度大說明系統的物品在相隔T天的時間內沒有發生大的變化，說明時效性不強，平均線上時間較長。

注意推薦系統的時效性，不能過多的離線實驗，既要考慮時效性，也要考慮歷史記錄

推薦系統的時間多樣性：
①生成推薦結果時加入一定的隨機性
②記錄使用者每天看到的推薦結果，然後在每天給使用者進行推薦時，對他前幾天看過很多的推薦結果進行適當的降權
③每天給使用者使用不同的推薦演算法

時間上下文推薦演算法：
**①最近最熱門：**n(T) = ∑[(u,i,t)∈Train,t

地點上下文資訊：

①興趣本地化：
不同地區的人有不同的興趣
②活動本地化：
一個使用者往往在附近的地區活動，研究發現45%的使用者在活動範圍半徑不超過16公里的地區活動，而75%的使用者活動半徑不超過80公里，所以不能給使用者推薦太遠的地方

LARS-U演算法考慮使用者位置金字塔模型，計算使用者對物品興趣P(u,i)後要減去位置權重TravelPenalty(u,i)，演算法要優於普通的ItemCF