随着移动设备的大量增长,许多020领域的企业通过向用户提供移动应用抢占市场份额,数以亿计的移动应用用户在020服务的交易环节中产生了大量的带有地理位置上下文信息的评分数据。分析用户的历史评分数据,向用户提供可能感兴趣的020服务推荐列表,是提升销量的重要途径。同时,在推荐环节中充分考虑移动020场景下用户与服务的可移动性等特点来提高推荐效率是构造推荐系统的核心任务。当前的个性化推荐方法不能充分利用用户的地理位置上下文信息,所产生的个性化推荐结果不能够满足用户的地理位置个性化需求,造成了大量的无效计算。同时,移动020场景下的协同过滤推荐技术会遭遇严重的矩阵稀疏性问题,推荐效率受到很大影响。因此,本文针对移动020服务,充分利用LBS技术和用户的地理位置上下文信息,提出了基于地理位置聚类的协同过滤算法,并设计与实现了基于LBS的移动020推荐系统。该算法使用离线计算,通过对用户的评分数据按照地理位置进行聚类,在聚类的基础上将用户的评分数据矩阵进行分解,降低评分数据矩阵的稀疏度,最后进行协同过滤推荐。并且使用地域交叉的算法进行改进,解决了用户移动到陌生地理位置无法获取有效推荐结果的问题。本文基于分布式机器学习平台Apache Mahout实现了改进的协同过滤算法,并将改进的协同过滤算法运行所得离线推荐结果适用于实时推荐模块,通过RESTful接口的方式将推荐功能暴露给第三方系统使用。最后,本文在实际的用户数据上进行实验,结果表明基于地理位置聚类的协同过滤算法在适当选取聚类个数的情况下,比普通的协同过滤算法有更好的推荐效率,同时该算法也能适应较大的地域范围内大数据量的推荐场景,能够充分满足用户的实时性与个性化需求。