大数据发展迅速,新形势下的推荐系统应该在大数据的基础上有所建树:每个人都即将成为“透明人”,用户在互联网上的信息,包括购物、音乐、学习、社交行为、身份地位以及地理位置都将被记录和保存,这些信息都具有可使用的价值,每个人都将是大数据网络时代的信息提供者,同时也是信息共享者。推荐系统的核心是通过电子商务网站为用户提供信息与建议,提供给用户合适的决策方案,满足不同用户的个性化需求。个性化推荐是通过对用户的兴趣特点和行为活动进行分析后,依照用户的兴趣偏好向用户提供信息。随着商务智能和互联网的不断普及与发展,信息种类和信息含量也在迅速的扩大,因此,用户就会在搜索信息和资源上耗费更多的时间。然而,将大量的时间浪费在浏览无关信息上,使得信息过载问题接踵而至,越来越无法满足快捷的生活需求。基于位置的社交网络(Location-based Social Network,LBSN)在商务智能时代不断发展成为电子商务应用网站的典型代表,因其能够支持用户记录所处的位置,获取用户的行为轨迹,满足用户的个性化需求和提供便捷的服务,因此,有关社交网络中的位置推荐已成为实践和研究中的热点问题。在现有文献调研中,发现传统推荐算法不适用于向位置变化频繁的移动用户群进行推荐,用户间相似性计算不够准确。但随着移动商务中用户群体的不断增加,增加推荐准确率、减少用户搜集信息的时间,在互联网时代显得尤为重要。本文使用三个大型位置服务社交网络Foursquare、Gowalla和Brightkite的用户真实访问数据,提出移动用户群时空推荐模型(Mobile Relationship and Spatio-Temporal Model),文中使用了改进的核密度估计、用信息熵定量表示用户的移动性和随机性、用Jaccard系数表示用户间相似度以及引入相对熵和KL散度:考虑了用户相似性随用户移动关系强弱变化的改变,定义了用户强关系和弱关系,并给出了强弱关系的等式;同时,考虑时间和地理位置对于用户兴趣和用户相似性的变化,定义用户的不同状态并给出计算方式。因此,本文将用户兴趣偏好、用户相似度、时间因素、地理位置因素进行有机融合;此外,按照时间轨迹记录的签到样本数量较少,并且在采集数据的过程中,也会有部分移动信息的缺失,导致信息的不完整性,因此,通过扩大朋友圈进行移动推荐可以在一定程度上缓解了数据稀疏性和冷启动问题,有效地改善了推荐结果的精准性和实用性。实验结果表明,在与传统的推荐模型对比后,本文提出的方法可以有效预测用户下一个大概率的兴趣点、得到最优的用户推荐列表、在准确率及召回率上都取得了显著的提高。成果将为移动商务中,如何更好满足企业的精准推送与用户个性化需求提供有力的技术支持和决策服务。