随着移动互联网技术的飞速发展,越来越多的用户通过移动设备来获取移动服务,具有移动性、个性化特征的移动电子商务是未来电子商务发展的新方向。网络的蓬勃发展带来电子商务网站中用户和物品数目大量增长,如何快速找到用户感兴趣的物品已成为人们关注的焦点。相比传统电子商务,移动电子商务用户的上下文环境复杂多变,用户需求日趋多样化、个性化、移动化,因此人们期望能够得到更个性化的服务。因此如何为用户推荐符合其兴趣和上下文情景的个性化服务是一项具有挑战性的研究课题。本课题在深入研究已有个性化推荐技术的基础上,针对移动电子商务的特性,研究并设计了一种基于协同过滤的移动电子商务个性化推荐算法。首先,针对当前用户评分数据稀疏性问题,提出了采用贝叶斯分类对移动上下文情景进行分类,根据情景类别进行数据预测填充,针对不同情景下的用户兴趣进行综合相似度度量,根据用户综合相似度进行数据填充,该算法可有效改善个性化推荐的精度。其次,在对比分析当前移动电子商务个性化推荐理论及方法的基础上,结合用户兴趣和移动上下文情景,在移动上下文情景中加入活动状态属性,提出一种新的用户情景模型。相对于传统的推荐模型,挖掘用户兴趣偏好更加准确,在很大程度上提高了推荐效率。再次,基于改进的用户模型设计了一种针对移动电子商务中个性化推荐的混合协同过滤算法,即改进的UC-CF算法。该算法基于情景相似和商品相似融合进行评分预测,通过模型和算法的改进提升商品推荐的精度。最后,通过模拟实验对改进模型及算法的性能进行验证,主要包括用户兴趣模型的构建、用户相似度和商品相似度的比较、评分预测、推荐性能分析等,实验结果表明,采用改进的UC-CF推荐算法能较好地进行评分预测,与流行的协同过滤算法相比,推荐准确度及性能较优。通过模拟实验,验证了缺失数据填充及改进的UC-CF算法的性能,并将改进算法与多种推荐算法进行对比。本课题研究可提升移动电子商务的推荐效率,对个性化推荐技术在移动电子商务领域的实践应用提供了一定的理论及方法支持。