如今,互联网的发展更加移动化、移动产品更加智能化,用户可通过移动智能设备获取海量的数据信息,这些数据蕴含着移动用户的兴趣偏好、行为轨迹等信息,具有很大的应用开发价值。本课题主要研究异构多情景源下移动用户个性化情景推荐,重点研究用户数据信息预处理,并将预测结果运用于用户情景序列的提取研究中,主要做了以下工作:(1)用户情景状态序列信息缺失补齐是多数据源数据融合研究中数据预处理的关键问题之一。针对用户的情景数据序列中存在信息缺失的问题,在滚动灰色模型(Rolling Grey Model,简称RGM)的基础上,文中提出一种改进方法。该方法对已知用户情景状态原始数据序列进行幂指变换,通过变换后的数据进行滚动灰色预测,并将预测出的数据进行幂指逆变换,从而得出情景状态缺失数据的预测值。实验表明,该方法在很大程度上提高了预测数据的精确性。(2)由于移动智能终端传感器的多样化,多情景源数据信息之间关系也变得越来越紧密。针对这种情况,提出基于多情景源用户情景序列提取的隐马尔可夫模型(Hidden Markov Model,简称HMM)改进模型。模型首先通过移动传感器采集用户情景信息,利用笛卡尔乘积对多情景源数据信息进行融合,最后用HMM模型提取出移动用户的情景数据序列。实验结果表明,该方法可有效地提取用户的情景数据序列用于推荐服务研究,取得了良好的效果。