最初推荐系统利用用户对项目的点评信息,构建用户偏好模型,采用基于内容的推荐、协同过滤、基于知识的推理等方法,为用户产生推荐结果。其中协同过滤利用相似行为用户具有相似的个性化偏好,以相似用户间的协同性为用户产生推荐结果,成为目前应用较为广泛的推荐方法之一。为了解决协同过滤中存在的数据稀疏性和冷启动问题,人们把用户社会属性信息融合到用户偏好模型中,提出了多种社会化推荐方法。但是传统网络平台很难提供用户完整的社会属性信息,例如用户的移动位置数据。在基于位置的社会化网络中,移动用户随时随地的位置签到、位置信息共享及社交活动,为搜集用户的社会关系及移动位置信息提供了一种新的途径,促进了具有位置服务特征的社会化网络推荐系统的发展。本文主要针对基于位置的社会化网络推荐系统中一些基本方法及关键问题进行探索性研究,主要包括：(1)传统基于用户的协同过滤推荐方法大都利用用户-项目二元数据进行相似性计算,而忽略了用户位置信息对相似性的影响。针对此问题,本文利用位置服务及传统协同过滤的基本思想,提出一个基于位置的网络服务推荐框架模型,把用户的位置信息引入到相似性计算过程中,给出一种基于位置的移动用户偏好相似度计算方法,并证明此方法满足相似测度的基本性质。此外为了解决协同推荐方法中存在的数据稀疏性及冷启动问题,根据信任关系社会学特征,提出一种基于用户通信信息的直接信任关系和间接信任关系相融合的信任度计算方法,并将其引入到基于位置的网络服务推荐模型中,形成了一种融合位置服务与社交网络特征的网络服务推荐方法。在公开的MIT数据集进行了试验,首先利用基于位置的用户网络服务使用波动率分析位置对用户行为偏好的影响,然后分析了位置因素和信任关系对近邻相似矩阵的数据稀疏性及用户冷启动问题的影响,最后利用MAE、 P@R两个评价指标验证了本文提出的推荐方法的准确率和可行性。(2)人类社会活动从位置移动上大致可以分成两类：一类是在时间和空间上具有周期重复性的近距离活动,此类活动与社会关系没有必然的关联性；另一类是具有随机跳跃性的远距离活动,此类活动较大程度上受社会关系的影响。鉴于这种认知,本文提出一种基于移动用户位置活动区域划分的图模型推荐方法。首先把移动用户位置活动范围划分为本地活动区域和远郊活动区域,并根据用户之间位置活动区域的重合性,定义用户的本地近邻好友和远郊朋友,然后根据用户不同位置活动区域内点评实体对象信息,构建用户-位置活动区域-实体项目图模型,并对图中连接不同节点的边权重进行赋值,借助于改进的PageRank算法,为用户产生推荐结果,最后在公开数据集Yelp Academic Dataset上验证了算法的推荐准确率及对冷启动用户的推荐效果。(3)在传统社交网络中,好友推荐为用户认识新朋友、扩宽社交面起到了重要作用,此类推荐方法一般通过社交网络结构分析,挖掘网络图中潜在的连接边,为用户寻找潜在的好友。但是基于位置的好友推荐往往更加强调在一定区域范围内的兴趣相似性,如果再采用此类方法为用户推荐好友,可能达不到预期效果。为解决此问题,在本文中,提出一种基于移动用户签到位置轨迹相似的近邻好友推荐方法。首先对基于位置的社会化网络用户位置签到数据进行分析,挖掘用户签到的重要位置点或者重要位置区域,在固定时间周期内,构建用户签到位置轨迹,然后定义用户签到位置轨迹中存在的三种行为模式,并提出一种基于移动用户签到位置轨迹的时空相似性计算方法,然后利用此方法为用户推荐基于位置的近邻好友,最后利用来自Foursquare.com的数据集实验分析了算法的推荐准确率、召回率及社会关系对提高推荐结果影响。(4)在移动网络中,感知移动用户上下文环境变化,模拟用户特征,自动预测用户需求,并把相关信息在恰当地理位置及时间点上发送给移动用户,是移动推荐系统重点研究内容。在本文中,首先基于层次分析方法,提出一种多维上下文感知的移动用户适应性选择偏好学习方法,提取用户在不同上下文环境中适应性选择偏好,并给出了算法的描述和复杂度分析。然后根据用户上下文状态转移情况,构建移动用户的上下文状态转移概率矩阵,定义并计算用户的上下文环境状态转移相似度,针对正常用户和冷启动用户,提出两种上下文感知的前摄推荐方法。在模拟数据集MobileServices上进行试验,首先利用上下文因素对移动用户行为影响的平均波动率来判断哪些上下文因素对用户个性化偏好有实质性的影响,然后对不同参数取值及训练集选取对学习结果的影响进行了实验分析,最后对两种前摄推荐策略的准确率进行了验证。