现在,智能手机已经非常的普遍,使用手机上网的网民已经占全部网民规模的绝大部分,并且移动应用也是越来越丰富,手机应用市场可以提供各种各样的第三方软件方便用户使用。移动电子商务应用现在也是特别的流行,其中就有淘宝、美团等手机应用,它们极大的满足了用户的购买商品和服务的需求。而智能手机因为屏幕显示有限,计算和存储限制的原因,并不能使移动用户能够看到自己满意的信息或服务,也就是移动智能手机同样存在着传统互联网中的信息过载的问题,并且这个问题在智能手机端得到了进一步放大。如何解决这个问题,和传统的互联网产品一样,使用推荐系统来消除大量的信息带来的用户选择的困难,及时向用户提供其需要的信息和服务。当然,智能手机也有自己的优势,可以随时随地的获取用户的位置信息,而用户的位置信息确实非常重要的信息。因为,可以根据位置信息确定用户的位置,寻找用户周围的商家,也根据位置信息确定用户的当前的位置的天气等信息,而这些信息是能够左右用户对商家和商品的消费情况的。除了智能手机获取用户的位置以外,它也能够获取到用户的通信信息,它包括了用户和谁发了多少条短信,用户和谁打了多久的电话等等,而这些信息也可以为我们的推荐系统提供原始的数据支持,有效来预防系统的冷启动问题。本文通过对LBS系统和推荐系统现有成果和技术的研究,发现基于地理位置服务的一些特殊性,而这特殊的地方也是和推荐系统结合的最好的切合点,所以,我们提出了基于位置信息服务的推荐系统。我们通过对抓取到大众点评网的商家和用户的数据进行分析和挖掘,构建用户的长期偏好模型,也就是用户长时间形成的商家偏好模式。而用户的短期偏好,也就是用户当前的情景下做出的偏好选择,我们这里引入了情景信息的概念,为的是可以根据不同的情景判断用户差异化的选择行为。而情景信息的获取则是根据智能手机的优势来拿到的,比如用户当前的位置可以使用GPS和基站定位来获取,用户当前的位置天气数据可以根据当前的经纬度向天气网站中获取到,用户的季节可以根据手机系统的时间来获取到。最后,为了有效的解决系统的冷启动问题,我们加入了社会化网络关系的概念,根据智能手机端的通信数据构建用户的社会化关系网络,再从这个网络中选取移动用户的近邻用户,向新注册的用户提供好友喜好的商家或者服务。我们也设计了一个融合了社会化网络的LBS的商家推荐系统的演示程序。通过对上面推荐系统框架的实现,从预测的准确度、系统敏感性和多样性等多个指标来评价我们的推荐系统,其中在上述指标的实验结果分析来看,比较理想的满足了我们对于自己实现的推荐系统的诸多要求。当然,可能我们的算法也有一些不足,希望在后续的工作中我们可以不断的进行完善。