随着移动信息技术的高速发展和信息资源的爆炸式增长,“信息过载”、“信息迷航”等问题的日益严重,如何解决移动环境下纷乱复杂的移动信息过载问题,已成为当下移动个性化推荐领域亟须解决的热点问题。移动推荐系统作为解决这一难题的行之有效的方案,受到了学术界和移动服务商们的广泛关注与应用。可是由于移动推荐的新特性和新数据,传统推荐难以直接应用于移动推荐领域,而现有的研究多是以传统推荐算法为基础,对移动推荐的研究不够深入和彻底。伴随着移动旅游和个性化自助出游的蓬勃发展,针对移动旅游平台的移动旅游推荐非常具有研究价值和实际意义,然而作为其核心的移动旅游线路推荐的研究与应用非常少,且多数移动旅游门户网站只提供基础的基于流行度的旅游景点推荐。针对这一现状,本文构建了移动推荐系统总体架构模型,并提出了UPST-TB和T-ARC两种移动个性化推荐算法优化方案。首先,构建基于智慧网络下的移动推荐系统总体架构模型,阐明移动推荐系统整体架构并描述了推荐系统的具体流程。即使用推荐子系统实现基于移动服务的个性化推荐,通过反馈系统与用户进行实时交互,了解用户的实时偏好和选择结果,最终以迭代的方式优化移动个性化推荐服务。其次,针对多数据源中复杂异构的多维移动数据,结合Web3.0时代发展成熟的语义分析技术和社会化标签技术,将地理位置相关信息、移动上下文情境等重要移动数据转化为单一的兴趣标签数据,与用户偏好和项目特征关联并建立“移动用户-社会化标签-项目”三部图的关系网络。据此建立UPST-TB移动推荐系统模型,以兴趣标签深度挖掘和多种标签加权预处理方法计算其内在的联系的方式,解决移动信息过载问题的同时提高推荐的准确性。再者,针对移动旅游线路推荐的冷启动问题,优化关联规则聚类推荐方法并将其应用于T-ARC移动旅游线路推荐算法。即通过关联规则挖掘技术提取其中的相关关系,避免用户信息缺失等数据稀疏问题;根据多层关联规则概念分层树获取具有代表性的高层关联规则,规避冗余关联规则对数据挖掘的干扰;将其作为初始聚类应用于k-means聚类算法中,以用户聚类的方式进行推荐,解决冷启动问题。实现移动旅游线路推荐服务的同时解决其面临的问题。最后,通过真实数据集与传统推荐方法和改进算法进行对比实验,证明UPST-TB算法和T-ARC算法的有效性。实验结果表明对兴趣标签的深度挖掘有助于推荐准确性的提高、关联规则聚类算法能够很好的适应移动旅游线路推荐领域、且高层关联规则算法优化策略有效。