随着互联网的发展,海量的信息使得用户难以发现自己感兴趣的内容,于是用于信息处理的推荐系统应运而生,个性化的推荐为广大用户带来了极大的便利。传统的协同过滤推荐系统主要利用用户对项目的评分信息,对位置信息的关注较少,在移动互联网快速发展的今天,难以满足用户的需求。而大多数的基于位置的推荐系统的研究都对用户位置信息有着很强的依赖,随着对用户隐私的重视,用户的位置信息一般不公开,或者是公开少数获得用户同意但并不精确的位置信息,使得相关研究难以应用到实际当中。如何在不依赖用户位置信息的情况下,利用商品的位置信息对用户提供更加个性化、更加符合用户消费习惯的推荐,是本文研究的目的所在。本文针对没有用户位置信息,但拥有商品位置信息的数据进行基于位置的协同过滤服务推荐方法研究。提出一种基于位置的协同过滤推荐方法,方法包含三个部分,在传统协同过滤的基础上加入商品位置信息,提高推荐结果的准确度,缓解数据稀疏问题。首先,根据商品的位置信息对商品位置进行层次聚类,根据商品位置的远近,将其划分到不同层次的商品区域,用以模拟现实地理区域的层次关系。然后,结合用户的访问历史,建立用户区域兴趣模型,用以表示用户对不同层次区域的喜好程度;建立商品区域吸引力模型,用以表示商品在不同层次区域对用户的吸引力。最后,本文在基于位置的协同过滤推荐方法的基础上,通过两种利用区域模型的方式,提出两种结合位置信息的协同过滤推荐算法。一种算法将两种区域模型分别看作是用户和商品的区域特征,将两种区域模型加入层次权重结合到矩阵分解的过程中,使推荐结果结合位置区域信息的影响;另一种算法是利用用户区域兴趣模型,根据用户区域兴趣的相似度,得到用户区域兴趣的近邻,然后将用户区域近邻与矩阵分解结合,来产生结合位置信息的推荐结果。最后,本文利用爬虫技术抓取国内某点评网站上某地区的美食点评信息作为实验数据集,对本文提出的基于位置的协同过滤推荐方法和传统的推荐方法进行对比实验,结果显示在传统的协同过滤中结合位置信息能够提升推荐的准确度,表明了本文提出的基于位置的协同过滤推荐方法的有效性。