在移动生活中,运营商会被动地记录大量与行为相关的日志记录。日志包括通话、短信及流量使用时产生的时间、地点等信息,但不包含具体的通信内容。这些数据有助于运营商研究客户需求,开展个性化服务推荐。因此,基于移动用户行为日志的推荐研究,受到学术界广泛关注。不同于传统推荐的数据集,这些记录由用户实际行为产生的隐式反馈构成。以这些隐式反馈构建个性化推荐模型,需要引入其他辅助信息。为此,本文分别从引入基于语义位置相似性网络、引入基于行为习惯相似性网络以及引入用户一物品二部图结构特征三个角度进行扩展,取得以下创新性成果:1.提出一种引入用户语义位置近邻网络的混合推荐算法。该算法假定语义位置相近的用户间偏好相似,以此描述用户间偏好的相似关系。构建时,首先根据一段时间内用户历史位置移动信息确定如居住地、工作地等的语义位置;接着,按照语义位置间距离,构建语义近邻网络,并以此确定用户间基于距离的相似度;最后,将该近邻网络与基于物品热门度的加权矩阵因子分解模型融合,得到适用于移动用户隐式反馈的混合推荐系统,解决实际生活中移动用户智能手机推荐任务。实验结果表明,引入语义位置近邻网络得到的混合推荐模型优于其他传统推荐方法。2.提出一种引入用户应用使用行为习惯影响力网络的推荐算法。该算法假定行为习惯相似的用户间存在影响关系。构建时,首先根据通话关系得到结构稀疏的通话网络;接着,按用户应用使用习惯,得到描述行为习惯相似性的隐式网络,并和通话网络混合;最后,将混合网络与基于矩阵因子分解的方法融合,得到用于移动用户应用推荐的个性化推荐模型,解决实际移动用户应用使用预测的任务。实验结果表明,引入基于行为习惯相似性的隐式网络得到的推荐模型,有效提升仅依赖通话网络及其他传统算法的性能。3.提出一种引入用户与物品二部图拓扑特征的混合度量推荐算法。该算法在构建推荐模型时,考虑用户对于交互物品间存在的相对偏好。算法首先根据历史交互记录构建用户一物品二部图并确定基于图结构的相似度;接着,以级联的方式用相似度衡量交互用户一物品对的距离;最后,按以拓扑相似度拉近交互物品并推离未交互物品的方式,得到基于二部图嵌入度量因子分解模型。利用两个公开数据集及实际移动用户行为日志评估推荐结果。实验结果表明,引入用户一物品二部图拓扑信息的混合度量推荐算法,性能明显优于传统方法。