随着移动互联网、智能终端技术的快速发展,具有移动性、便捷性的移动电子商务成为电子商务发展的新方向。受移动端显示器大小的限制,移动电子商务面临严重的信息过载现象,迫切需要为用户提供个性化推荐服务。现有的推荐技术主要利用用户评分或者隐式反馈建立兴趣模型,根据设定的时间间隔或者数据累积量定期更新该模型,为用户提供个性化推荐。然而移动用户的需求会随着时间和位置的变化而发生改变,导致即时兴趣变化迅速,现有算法的兴趣模型主要反映用户的长期兴趣,需要对模型定期更新,不能满足移动电商环境下为用户提供实时推荐的要求。此外,由于新用户没有行为数据或历史数据非常稀疏,现有算法无法为新用户提供可靠的推荐结果,影响推荐质量。针对上述问题,本文提出了基于用户购买倾向和兴趣度的个性化推荐算法和基于多源信息融合的协同过滤推荐算法。本文的主要研究工作如下:(1)针对移动电子商务中用户的即时兴趣变化迅速,而现有推荐算法不能实时响应用户需求的问题,提出了一种基于用户购买倾向和兴趣度的个性化推荐算法(Purchase Intention and Interest Degree,PIID)。该算法从长期兴趣和即时兴趣两方面对用户兴趣建模,用购买倾向来量化用户对最近交互过却没有购买的商品的即时兴趣。在离线状态下,提取用户的行为特征,利用逻辑回归模型训练影响购买的行为特征所对应的回归系数,建立购买倾向预测模型;为了更精确地定位用户可能购买的商品,将购买倾向与兴趣度线性结合作为购买概率,针对购买记录,利用概率隐因子模型通过最大化购买概率来学习用户兴趣度。在线推荐时,将用户的实时行为特征带入预测模型中,得到用户的购买倾向,再与兴趣度结合,将购买概率较大的商品列表推荐给用户。在真实数据集上的实验表明,PIID算法与现有算法相比,有较高的准确率和F1指标,而且能够提供高效的实时推荐。(2)针对现有推荐算法是在大量评分或隐式反馈的基础上建立兴趣模型,无法为缺乏行为数据的新用户提供可靠推荐的问题,提出了一种基于多源信息融合的协同过滤推荐算法。算法首先利用位置信息,建立位置消费图,计算位置远近和不同用户的兴趣偏好对目标用户的影响,找到最近邻居集,可以根据近邻的偏好为新用户进行推荐;接着利用PIID算法计算用户的个人兴趣;最后利用购买概率将近邻偏好和个人兴趣对购买的影响建模,为用户推荐购买概率最大的商品列表。在真实数据集上的实验表明,该算法有较高的准确率和F1指标,而且能够为新用户提供可靠的推荐列表。(3)为了验证本文所提出算法的可行性,采用面向对象和模块化的设计思想,使用java编程语言设计并实现了一个基于用户行为的移动电子商务原型推荐系统。