随着移动通信行业的不断发展,移动用户对增值业务的需求也不断的增加,但是面对种类繁多的增值业务,用户往往是无所适从；与此同时,移动运营商传统的增值业务推广方式(套餐内置、免费体验以及成本置换)已经无法适应增值业务的大发展,出现增值业务营销成本加大,用户满意度降低、员工压力增加等情况。如何对移动增值业务进行有效的、合适的个性化推荐,是移动运营商增值业务大发展的另一个转折点。基于此,论文的主要研究内容如下：1、从静态推荐的角度,改进了移动增值业务的协同过滤、基于内容以及关联规则的个性化推荐算法。提出了用户活跃度的计算代替传统协同过滤用户打分法,利用用户接触度以解决稀疏矩阵问题以及引入通道模型提高运算效率等方法。首先,针对协同过滤的算法,提出了用“用户活跃度”代替传统打分的新概念。同时给出了以时长、频度和流量为变量的活跃度计算公式及不同类产品的标准化算法。在针对协同过滤算法出现的稀疏性问题上,根据用户与实体营业厅、10086、网上营业厅、掌上营业厅和短信等渠道接触产品而产生兴趣的概率,提出了接触度的概念和算法。其次,在以内容层、行为层和功能层划分的产品属性模型中引入了产品活跃度加权的属性取值概念。利用用户除增值产品以外的其它用户信息构建了客户属性层,并将客户属性层纳入模型构建过程之中。针对客户属性层量化和归一化的难题,提出了业务活跃度的量化方式和统一标准化方法；最后,针对关联规则的算法,提出了用户兴趣度加权的改进算法。三种算法经过改进后,较传统的个性化推荐算法在召回率以及准确率上均有提升。静态的个性化推荐存在不能随着用户需求变化而更新推荐集的缺陷。本文的第七和八两章分别对用户兴趣度随时间及情境变化而变化的个性化推荐进行了探索。2、从动态推荐的角度上,对移动增值业务基于时间变化的动态个性化推荐算法进行了研究。针对随时间变化造成的用户活跃度发生的改变,进行了动态推荐相关的研究。利用“用户自相似度”以及“用户簇”的变化,判断推荐用户集是否随时间发生了改变,最终实现随时间变化的动态个性化推荐。3、从动态推荐的角度上,建立了依托用户外部情景、内部情景和交际圈的三维用户情境,同时给出了不同情境变化下的动态推荐算法的设计和研究。首先是以时间、空间、终端、天气等非用户自身的客观因素建立“用户-产品-情景”三维用户外部情境活跃度模型,根据环境变化实现动态活跃度矩阵的协同过滤推荐；其次是以APRU值,MOU值等用户通信消费行为集合,建立用户内部情景向量,利用统计学原理拟合出情景-业务活跃度的关系函数,通过侦测用户情景属性值变化时活跃度的变化实现动态推荐；最后是根据用户通话行为和间接交际行为的对端用户集合,建立了用户直接和间接交际圈,并根据交际圈变化实现对用户的动态推荐。