移动互联网近年来的迅速发展促使推荐系统技术在学术界和工业界都受到空前的关注。推荐算法的研究不再仅仅停留在推荐精度、指标权衡、冷启动等经典推荐问题,移动互联网环境的高度稀疏数据、大规模运算性能等障碍,多维信息的综合利用,以及推荐模型的可控性和适用性同样成为研究焦点。本课题首先针对目前主流的协同过滤技术(CF)进行研究,设计了双重去中心化相关性距离,一种基于相似度距离的关系矩阵计算方法。该算法在数据敏感度和模型适应性上优于传统的调整后余弦距离和皮尔森距离。继而,针对协同过滤技术迁移至移动互联网时面临的数据稀疏和运算性能低下两种问题,提出了解决方案。该解决方案包括1)利用数据分布规律设计基于影响力的计算优化方法,和2)基于CF-I和CF-U算法中较为成熟的最近邻思想对本不适用的Slope-One模型设计近似k最近邻的Slope-One改进算法。本课题发现电影评分平台MovieLens和移动应用市场AppDL的用户行为存在一致规律:用户往往在一段时期内具有较为稳定的兴趣偏好,经常在数周之内保持较为固定的关注焦点。基于该规律以及上述协同过滤模型的改进算法,通过引入物品分类数据,设计了基于多维信息环境下的多分类列表调整算法的“嵌套型”推荐模型。该模型具有以下几点优势:1)可以作用于绝大多数推荐算法并提高推荐性能;2)提供可控的列表调整过程并产生倾向于不同指标提升的多种推荐模式;3)提出通过历史评估数据计算统一评估标准的需求量化方法;4)自动学习适合特定推荐目标的最优化推荐模式;5)支持多分类和多标签组合分类的数据场景并提供更为精确的模糊分类结果;6)模型的附加开销低于0(uilog2 i)。