随着互联网覆盖率的不断扩大,互联网上的信息快速膨胀,从而带来了信息过载、分布散乱等问题,极大地影响了网络用户获取信息的方便。为了改善用户体验,基于用户特征和行为的个性化推荐服务逐渐发展起来。基于互联网的推荐系统具有高效、便捷等特点,已经成为人们获取信息资源的重要途径。近年来无线通信技术和移动终端技术的迅速发展极大地改变了人们的工作和生活,移动商务能实现随时随地的交易活动从而得到人们广泛的关注。基于定位的服务被认为是移动商务中杀手锏级的应用,然而在基于定位的服务中用户仍然面临着信息过载的问题,而且移动用户的使用时间不固定、所处的环境不断变化以及移动终端的显示能力较弱等方面的约束使这一问题更加严重。在电子商务中,协作过滤推荐系统根据用户的兴趣爱好及购买记录等信息,向用户提供个性化的商品推荐,减轻了用户挑选商品的负担,同时也促进了商品的销售。然而,因为传统的协作过滤推荐系统和移动推荐系统在技术、服务特征、商业模式等方面都存在很大的差异,所以传统的推荐系统不能直接转移到移动商务中。首先,移动商务应用于无线网络,而传统的协作过滤推荐系统则主要应用于有线互联网；其次,两者面向的用户群也不相同,移动商务面向的是移动用户,所处的位置一般不固定,而传统的协作过滤推荐系统是针对互联网用户设计的。再者,移动商务的终端设备一般屏幕较小、处理能力较弱,所以移动推荐服务需要推荐的结果精准简练,关键信息必须能够在有限的屏幕空间中显示出来。本文正是在这样的应用背景下开展研究的。本文首先对个性化推荐系统及其核心技术进行了学习和研究,分析了移动商务的特点及其与电子商务的区别,并对国内外移动商务的发展和研究现状进行了系统地介绍和分析。通过研究协作过滤推荐系统在移动商务环境下的新特性,提出了多阶段协作过滤推荐算法,该算法主要分为基于用户评分信息的协作过滤和基于情景信息的协作过滤两个阶段。第一阶段采用基于两阶段聚类的协作过滤算法对用户评分信息进行处理,预测用户对未评分项目的评分；第二阶段采用贝叶斯网络技术对情景信息建模,用产生的后验概率调整项目的排列顺序,最后选择评分值较高的前N个项目作为目标用户的Top-N推荐集。该课题的核心技术是协作过滤算法,目前协作过滤推荐是主流的个性化推荐方式,但该技术中存在的数据稀疏性问题严重影响了推荐系统的性能。本文提出了基于两阶段聚类的协作过滤算法,不仅降低了数据的稀疏性,提高了最近邻的准确度,而且预测精度较以往传统的算法有明显提高,时间复杂度也有明显降低。在此基础上,用贝叶斯网络对时间、天气、温度等情景信息建模,调整项目的排列顺序,使推荐的项目符合用户当时所处的情景,更进一步提高了推荐的准确度,能更好的满足用户需求。