2012年，手机正式超过台式电脑成为我国网民的第一大上网终端，移动设备成为了用户获取信息的一个主要平台。基于地理位置的服务也就是LBS，作为移动设备的一大便捷服务，也面临着严重的信息超载问题，移动平台使用户更加容易的获取到各种信息，互联网使用者不仅可以从传统的博客、网站等渠道获取自己周边的商户信息，而且也可以通过移动应用更加便捷的搜寻信息。然而，传统互联网中的信息过载问题在移动互联网中变得更加紧迫，移动终端小屏幕、处理能力差等特殊性，使得用户对于有用信息的需求大大增加。另外，由于位置服务的便捷性，用户可能随时随地都需要获取附近商户的信息，因此，我们必须要根据用户的偏好、结合当前的位置和情境信息为用户提供个性化的推荐。本文研究了移动应用的和基于地理位置服务的特殊性，以及它们对LBS推荐系统的特殊要求，分析了现有的LBS推荐服务，找出主要存在的问题，并根据分析结果设计了一个基于规则的LBS推荐系统新框架，该框架使用在冷启动阶段就可以获得的移动用户人口统计学信息，融合了通过GPS技术识别到的用户位置以及当前天气、环境等丰富的情境因素，使用基于规则的推荐方法降低计算量，在不需要用户显式输入偏好的情况下，即可进行推荐。由于融合了情境信息，用户的偏好不再是一成不变的，不同的情境会导致用户的偏好发生巨大的改变，因此需要将用户的偏好分为短期偏好和长期偏好，短期偏好指的是用户在当前特定的情境信息下表现出来的暂时性的偏好，长期偏好是指根据大量历史数据得出的用户稳定的偏好习惯，通过建立不同的规则库来识别用户的长短期偏好。最终将两种偏好统一起来为用户进行推荐。最后，本文设计了一个演示系统，邀请30名测试用户进行用户调研，通过用户对推荐结果的反馈评分，验证本推荐系统的有效性，通过用户满意度、预测精准度、覆盖率、情境敏感性等指标的测试，本框架能够整合情境、在冷启动阶段降低用户的学习成本，并且能够为用户提供较为满意的推荐结果。