随着基于位置的服务(LBS)的快速发展,问题和挑战也随之而来。为了克服发展过程中的障碍,并从中发现更多的发展机会和机遇,人们从研究和应用的角度提出了各种框架和应用。在诸多方法当中,个性化推荐也许是最有效的,原因有以下几点：首先,越来越多的电子商务活动开始向移动互联网延伸,同样需要个性化推荐；其次,LBS发展越来越快,迟早需要面对和处理信息过载和信息爆炸问题,这正是个性化推荐提出的初衷；最后,使用LBS需要拥有一台属于用户个人的移动设备,这台设备真正地代表用户个人,需要LBS可以更好地处理用户的个性需求,这也是个性化推荐所擅长的。虽然LBS需要个性化推荐,而且可以为个性化推荐提供更为个性化的数据和信息,但是因为在LBS中整合个性化推荐的技术和方法并不成熟,依旧面临着一些问题和挑战：首先,因为LBS的位置敏感性,它需要更为精确的服务,但是传统的个性化推荐处理的对象是位置无关性的电子商务；其次,LBS应用和服务请求具有突发性,需要找到处理LBS环境下兴趣转移和快速变化的方法；最后,LBS的应用领域远远大于电子商务,结果就是,在个性化推荐领域长期存在的冷启动问题在LBS环境下变得更为突出。为此,本文在进行个性化推荐研究综述的基础上,分析和总结了目前兴趣转移、情境信息整合、多标准决策的应用和研究现状,并在此基础上提出了基于LBS的个性化推荐框架,以用于解决和应对上述问题和挑战。框架包括以下几个部分：用于处理用户稳定的、通用兴趣的长期兴趣模型以及用于处理用户容易变化的、特有兴趣的短期兴趣模型。其中,为了克服冷启动问题,短期兴趣推荐引入了多标准决策方法,用于快速响应用户需求,并通过积累用户偏好信息和数据,来为长期兴趣推荐提供数据积累。长期兴趣模型使用基于内容的推荐方法。两种方法中都用到情境信息建模和情境整合,不同的是,短期兴趣推荐使用的前置情境过滤,长期兴趣模型使用的后置情境过滤。在论文的最后给出了论文框架的一个实际案例,使用来自大众点评网的实际数据对论文框架进行了实证检验,结果显示,该框架可以有效处理上面提到的三个问题。