随着移动通信网络技术的飞速发展,移动设备逐步成为人们获取网络服务和信息资源的主要平台之一。移动用户在享受移动设备带来的方便同时也面临着严重的“信息过载”问题。推荐系统是解决信息过载、帮助用户进行决策的“工具”。而在移动环境中,上下文因素成为移动用户选择和决策的重要影响因素,因此不能直接将传统互联网推荐算法应用在移动推荐中。在这样情景下,如何将移动上下文融入到移动推荐中为用户提供实时、准确的服务,进一步提高移动推荐系统的精确度和用户的满意度,成为当今移动推荐的热点和难点。为了更精确和迅速地从海量的服务中找到用户感兴趣的内容,本文针对引入上下文数据更加稀疏、上下文信息融入不够、不同情景下用户相似性的度量被忽略等问题,综合考虑用户全局和局部的影响,利用移动环境中上下文对移动用户的影响进行研究,提出了融入移动上下文的矩阵分解推荐算法;以及基于用户聚类和移动上下文的矩阵分解推荐算法。有效的利用移动上下文因素对用户的影响改进了传统的偏差矩阵分解推荐方式,并通过实验验证了算法的有效性,在此基础上还设计了一个基于此算法的移动APP原型,进行地点推荐。本文主要工作如下:(1)分析了与本文课题相关的研究背景、研究意义与研究现状,并针对研究现状中存在有关基于上下文推荐存在的不足提出解决方案,最后对本论文的主要工作内容、目的、以及本文所需相关技术进行分析。(2)针对移动环境下引入上下文推荐后常见的稀疏性问题、忽略上下文相似性等问题,本文结合移动上下文的相似性对偏差矩阵进行改进,提出了融入上下文的矩阵分解推荐算法。(3)为更好提高推荐效率,本文在利用聚类技术同时考虑用户偏好和移动上下文因素,提出基于用户聚类和移动上下文的矩阵分解推荐算法。该算法以偏差矩阵为基础,利用聚类技术对用户进行聚类后,再在每簇局部数据中利用移动用户上下文相似性进行限制,以正则项的方式融入到矩阵分解中,利用梯度下降法对其进行求解。经实验表明该算法有效的提高了预测评分的准确率和推荐的准确度。(4)基于用户聚类和移动上下文的矩阵分解推荐算法针对用户出行需要,设计一款有关地点推荐系统的APP。并介绍系统需求背景、设计以及最后的原型实现。