个性化推荐是一种个性化营销策略，能根据客户自己的兴趣爱好推荐客户可能感兴趣或满意的商品，是建立在海量数据基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供个性化的决策支持和信息服务。推荐方法是个性化推荐系统最重要的一部分，目前的推荐方法有协同过滤（Linden et al.，2003）、基于关联规则（Yin et al.，2018；Guo et al.，2017）、基于二部图（Zhou et al.，2010）、基于知识（Song et al.，2017）等方法。协同过滤就是通过用户的历史行为信息计算用户与用户之间的相似性，然后根据计算所得与目标用户相似性较高的用户群体对商品的评分来预测目标用户对陌生商品的喜好度，但存在冷启动和数据稀疏问题。关联规则是根据商品与商品之间的关联向用户推荐商品，例如根据统计得知购买了X商品的消费者中有70%的人购买Y商品，那么当有用户购买X商品时，我们就会向他推荐Y商品。二部图是我国学者周涛于2007年提出的，在一定程度上解决了冷启动和数据稀疏问题，该方法将商品和用户看做抽象的节点，认为所有信息都隐藏在商品与用户的关系中。知识的推荐从本质上说是一种模糊集的推理技术，通过挖掘产品结构去满足用户需求。

情景一词来源于英文“context”，但这一词也经常被翻译成情境，大概是指用户位置、周围环境、季节、时间以及温度等信息。经过Schmidta对其含义的扩展，情景用来表示一个设备或用户所处的态势和环境，且每个情景都有唯一标识。基于情境的推荐（Zheng et al.，2011；Lee et al.，2008；Adomavicius et al.，2005）成为近几年个性化推荐的关注热点，情境的附加信息挖掘让协同过滤的矩阵更加稀疏，Rendle等将矩阵分解技术应用到情境推荐当中，提高了推荐的精确度（Rendle et al.，2011）。杜魏构建了情景结构图，并找出当前环境对用户影响最大的K个情景要素，通过分析用户的个性化情景而进行个性化推荐（杜巍，高长元a，b，2017）。这些情景信息的挖掘对个性化推荐质量和用户满意度的提升有一定作用。由此看出，以往基于情景的个性化研究是将用户所处的外在环境对用户购物的影响纳入个性化推荐中，而本章所指的情景线索则是将用户购物过程中对用户产生影响的心理因素作为变量纳入其中。因此，本章的情景线索可以视为情景一词的补充，其补充了用户在决策过程中的心理干扰因素，进而预测情景线索如何影响用户的购买行为。(www.daowen.com)