随着移动技术的不断发展,基于移动技术的在线服务已经成为人们日常生活中不可缺少的一部分。从移动用户的角度而言,如何从基于移动技术的在线服务所提供的海量信息中,获得满足自身需求的信息,变的越来越困难,也就是说信息过载问题变的越来越严重。因此,对于网络运营商来说,解决信息过载问题是降低运营成本、提高服务质量和用户满意度的关键之一。研究表明,推荐系统是解决信息过载问题的一个较为成功的技术。推荐系统能够从海量的信息中,精确定位出满足移动用户真正需求的信息。在移动用户享用网络运营商为其提供的服务的同时,网络运营商也获取了大量描述这些用户行为的数据。通过分析这些行为数据,网络运营商可以获得移动用户的行为习惯,从而帮助自身改进服务质量,提高用户的满意度,进而吸引更多的用户。因此,基于移动用户的行为分析和推荐系统,成为了学术界研究的热点之一。本文从移动用户行为分析方法着手,针对基于移动用户浏览行为的个人推荐算法、评分数据的群组推荐算法和不确定属性数据的挖掘算法三个方面的内容展开了较为深入的研究,取得的创新性成果如下:1.提出了一种基于移动用户浏览行为的推荐算法针对移动用户临时性的互联网访问行为频繁出现,导致了用户浏览行为具有极大的不确定性,从而使得已有的推荐算法的推荐效果不佳,本文提出了一种基于移动用户浏览行为的推荐算法。该算法首先通过分析在某一时间段内移动用户每天对不同主题信息的浏览次数,获得了移动用户对不同主题信息的兴趣持续天数大于或等于最小兴趣持续天数的概率;其次,利用移动用户的邻居用户和信息主题的邻居主题,预测移动用户对不同主题信息的兴趣度;最后,根据兴趣度的大小,将前K个移动用户最受欢迎的主题信息推荐给移动用户。本文利用真实的移动用户浏览行为数据对该算法的推荐效果进行了实验评估。实验结果表明,移动用户对该算法推荐的网络信息的关注度高于传统推荐算法推荐的信息的关注度。2.提出了一种基于移动用户评分数据的群组推荐模型针对群组中移动用户的兴趣可能相同或相悖,导致了已有的群组推荐算法很难推荐出满足群组中所有移动用户需求的信息,本文提出一种新的随机群组推荐模型。该模型首先分析群组中所有用户对公共项目的评分,利用均值策略将群组抽象为一个虚拟用户,然后利用个人推荐算法为虚拟用户进行推荐,并且利用基于混合关系的聚类算法和偏好模型对推荐结果进行优化。最终的推荐结果同时也是群组的推荐结果。最后,通过两个真实的用户评分公共数据集,对群组推荐模型的推荐结果进行实验评估。实验结果表明,相对于传统群组推荐模型,本文所提出的群组推荐模型为群组推荐的项目更受到群组中用户的欢迎。3.提出了一种基于差分隐私的移动用户不确定频繁属性集挖掘算法针对在确保移动用户隐私信息不被泄露的条件下,已有挖掘算法难以准确的从不确定的用户属性数据集中挖掘出用户行为习惯信息,本文提出了一种基于差分隐私的移动用户不确定频繁属性集挖掘算法。首先,该算法在传统的基于期望支持度的不确定数据频繁项集挖掘算法的基础上,利用差分隐私的拉普拉斯机制和稀疏向量算法,确保挖掘出的结果满足差分隐私的要求。其次,从理论上证明了本文所提的算法满足差分隐私。最后,通过两个公共数据集验证了算法的有效性,实验结果表明,本文提出的挖掘算法在安全性和准确性上均优于传统的基于差分隐私的挖掘算法。