随着移动互联网的迅猛发展,移动运营商积累的用户数据越来越多,如何高效、合理地利用这些数据成为一个摆在运营商面前的难题。近年来,推荐系统得到了广泛的应用,借助推荐系统将网页推荐给手机用户既可以满足用户浏览自己偏好网页的需求,又可以增加运营商的流量收入。本文以此为出发点,构建了一个基于移动互联网大数据的个性化推荐系统。　　首先,本文介绍了构建基于移动互联网大数据的个性化推荐系统的研究背景与意义以及推荐系统的国内外研究现状,并介绍了基于移动互联网大数据的个性化推荐系统的相关技术,包括分布式技术和基于用户的协同过滤推荐算法。其中分布式技术介绍了最近工业界比较热门的Hadoop分布式计算框架和HBase数据存储。　　其次,针对集成分类算法在处理大规模数据集时具有计算复杂度高、基分类器数目多、分类精度不理想的问题,分析并提出了一种基于频繁模式的选择性集成算法。该算法利用频繁模式挖掘的原理,将未剪枝的集成分类器和样本空间映射为事务数据库,并利用布尔矩阵存储分类结果,接着从布尔矩阵中挖掘频繁分类器组成剪枝后的集成分类器,最终达到选择性集成的目的。此算法主要用于构建推荐系统的网页分类模块。　　最后,作者利用提出的基于频繁模式的选择性集成分类算法对用户通过移动互联网访问的网页进行分类,并由分类结果构建用户兴趣群组,在兴趣群组内应用基于用户的协同过滤算法构建一个推荐系统原型。