1.一种基于概率矩阵分解的时间敏感个性化推荐方法，方法包括：

1)利用用户对电影的评分信息和情境信息以及电影类别信息构建用户-情境评分矩阵；

2)对用户-情境矩阵进行分解：应用矩阵分解技术，通过多次迭代计算，以最小化根均方误差为准则，最大程度的拟合用户-情境矩阵的评分，从而得到包含情境信息的用户特征向量，为下一步求情境依赖相似度做准备；

3)将分解后的包含情境信息的用户特征向量两两之间求相似度，该特征向量蕴含隐式的情境信息，包含了更为丰富的用户倾向偏好信息，然后利用余弦相似度计算两两用户之间的情境依赖相似度；

4)选取一定量的情境依赖相似度高的用户作为邻居用户并融合该相似度到原始的用户-电影评分矩阵中，在选取了最相似的若干个最相似的邻居用户后，用邻居用户特征向量的加权平均表示目标用户的特征向量。

2.根据权利要求1所述的基于概率矩阵分解的时间敏感个性化推荐方法，其特征是：根据原始的用户-电影评分矩阵和额外的情境信息以及电影类别信息构建一个用户-情境评分矩阵，代表该情境下用户的评分倾向，构建用户情境评分矩阵具体包括如下步骤：①将原始的同一个用户观看的电影按照类别进行拆分，拆分后各个用户对应的评分保持不变；

②将同一个用户的观看电影的时间和拆分后的类别进行组合，统计相同的时间-类别组合，按照各个组合出现的频率作为评分放缩的权重；

③根据评分缩放结果计算用户在特定的情境下的评分，表示该情境下用户的倾向评分。

3.根据权利要求1所述的基于概率矩阵分解的时间敏感个性化推荐方法，其特征是：方法1)中的构建用户-情境评分矩阵方法如下：

1)将原始的同一个用户观看的电影按照类别进行拆分并评分，拆分后每一个类别对应的评分保持不变；

2)将同一个用户观看电影的时间和拆分后的类别进行组合，统计相同的时间-类别组合，按照各个组合出现的频率作为评分放缩的权重作为评分放缩的权重；

3)根据评分缩放原则计算用户在特定的情境下的评分倾向重新计算得到评分，将放缩后的同一情境的评分按照出现频率再次求取评分值，作为该用户在该特定情境下的评分倾向。

4.根据权利要求1-3所述的基于概率矩阵分解的时间敏感个性化推荐方法，其特征是：所述的情境为用户观看电影的时间-类别两个因素。