在移动环境中,用户情景随着时间的变化不断发生改变。由于个性化推荐基于用户当前所处的情景,当环境发生改变时,用户情景随之发生改变,从而使得原有的推荐结果可能不再适应新的情景。传统个性化推荐技术中的用户模型不能很好描述移动环境下用户所处的情景,因此其并不能满足移动环境下实时推荐的要求。针对此问题,本文从情景感知的不同层次出发,对移动情景感知的实时推荐问题进行研究。本文主要工作与贡献主要有以下四个方面。(1)对移动情景感知的用户实时推荐问题进行建模。不同于传统意义上的推荐问题,移动环境下的实时推荐在情景模型、推荐策略、评价体系上都有不同。因此,本文首先对移动环境下的实时推荐问题进行描述,并介绍了移动情景与个性化推荐的融合方式。然后针对情景感知中用户、团体、社区三个感知层次,分别提出了各感知层次下进行实时推荐的问题,并给出相应的求解框架。(2)提出了移动环境下基于单用户情景模型的实时兴趣匹配策略。在单用户感知层面,本文以单个用户所处情景为基础,按照是否考虑空间障碍,分别提出了无障碍条件下单用户兴趣点推荐问题和有障碍条件下的兴趣点推荐问题。首先通过定义情景要素并设计相应的数据结构,建立面向单用户感知的情景模型。然后针对两个推荐问题,基于信息检索技术提出了相应的用户兴趣Top-k匹配算法,实现用户偏好与待推荐项之间的高效匹配。通过实验表明,本文所提单用户兴趣匹配算法可以进行高效的单用户兴趣匹配。(3)提出了基于社交行为分析的团体用户实时兴趣匹配策略。在团体用户感知层面,本文提出了团体用户聚会地点推荐问题,为团体用户推荐满足其空间约束和社交约束的兴趣点。首先对用户的社交行为进行分析,提出了团体事件提取算法,从大量单用户签到数据中挖掘有用的团体信息。然后将位置信息和最适应团体规模作为兴趣点的属性,建立面向团体感知的情景模型。同时,提出了团体用户兴趣匹配函数,以此来衡量团体用户兴趣和兴趣点之间的相关性。通过空间索引对情景信息进行有效组织,进而提出团体兴趣最佳匹配算法。为了提高匹配效率,本文还提出了一种新型索引结构,将兴趣点的位置信息与最适应团体规模融入到索引中,并提出了相应的团体兴趣Top-k匹配算法。实验结果表明,本文所提团体用户兴趣匹配算法可以针对不同的应用需求,进行高效的团体用户兴趣匹配。(4)提出了基于动态社区发现的实时情景建模策略。在社区用户感知层面,本文首先针对用户移动行为进行分析,提出累积稳定接触变化度的概念,并发现移动环境下用户的累积稳定接触变化度在一定区间内服从幂律分布。以此为基础,本文提出了基于累积稳定连接的社区核提取算法,进而对整个网络节点进行稳定的社区划分。然后,本文提出基于标签的社区跟踪策略,实现了社区的实时识别与跟踪。此外,对基于社区的推荐过程做了详细介绍。实验表明,与已有社区发现算法相比,本文所提动态社区发现算法可以对网络节点进行稳定的社区划分,并且可以对社区进行有效识别与跟踪,进而支撑高效的社区推荐。