应该推荐系统是专注于满足用户需求的，而用户的时间、地点和心情对用户的需求都有很大的影响。因此我们可以考虑将时间、地点和心情在推荐系统之中有效的利用起来：
1. 利用事件上下文： 用户兴趣变化、物品有周期、季节热点变化。
2. 系统时间效应的分析：物品生存周期和系统时效性、物品平均在线天数、相隔T天系统物品流行度向量的平均相似度。
推荐系统需要平衡用户的近期行为和长期行为，既要让推荐列表反映出用户近期行为体现的兴趣变化，又要均衡用户的历史数据。
推荐系统的时间多样性：给用户推荐多部电影，但是每次更换一定数目的物品。
时间上下文推荐算法：
1. 最近最热门：
2. 时间上下文相关的Item-CF算法。
3. 时间上下文相关的User-CF算法。
我们可以对时间上下文使用基于相似性的
时间段图模型：
地点上下文信息：
活动本地化、兴趣本地化。
数据：用户、位置、物品、评分、物品位置、用户位置
第一种：<用户、位置、物品、评分> 可以按照位置划分为很多子集，而位置信息是树状结构。可以将用户划分到一个叶子结点中。（也直接点上用户可能较少，可以利用每个中间节点的数据心莲推荐模型，然后给用户生成推荐列表，最终生成结果是加权）
第二种：<>计算User-CF然后减去路径的惩罚。
第三种：保证推荐物品与用户当前位置比较接近，此基础上通过用户行为推荐距离近且感兴趣的物品。
基于位置的推荐算法：