本论文的研究目的是为移动用户提供基于时空特征触发的实时广告信息推荐服务。随着移动互联网的迅猛发展和移动设备的广泛普及，根据广告投放平台的不同,移动广告从早期的文本信息为主，逐渐演变为智能手机网页或者APP等更加丰富的广告形式。在当前应用环境下，推荐问题的解决方案受限于时空要求，因为移动个性化推荐除了必须满足用户输入或者用户喜好等要求之外,还必须满足特定的时间、空间等上下文环境的限制。因此，移动广告投放应更加注重对地理位置信息等的关注，移动广告应当最大限度发挥移动用户的移动性和可定位性,并给移动用户提供适时适地的广告投放,同时,必须结合特定的业务范畴,定制定向广告投放系统。

本论文的研究对企业和用户而言都具有重要的意义。对用户而言，本论文的研究减轻了传统移动广告信息庞大给用户所带来的负担，而且提供了基于时空要求的服务，帮助用户进行信息过滤，很好地满足了用户的实时个性化需求，获取自己感兴趣以及需要的内容。对企业而言，本论文的研究能够最大化地利用广告投入资金，按需投放广告，可以接触到真正有效的潜在消费者，利于发掘新客户和增加交易量，促进企业的发展。

1.2国内外研究现状分析：

目前,推荐系统在电子商务(如 Amazon、eBay、Netflix、阿里巴巴、豆瓣网、当当网等)、信息检索(如 iGoogle、MyYahoo、GroupLens、百度等)以及移动应用、电子旅游、互联网广告等众多应用领域取得较大进展。

1.2.1国外研究

1995 年 3 月，卡内基·梅隆大学的 Robert Armstrong 等人在美国人工智能协会上提出了个性化导航系统 Web Watcher；斯坦福大学的 Marko Balabanovic 等人在同一会议上推出了个性化推荐系统 LIRA。这些系统的出现标志着对个性化推荐技术研究的开始。

从 1995 年到现在，个性化推荐系统已经有了超过二十年的发展历史。期间出现了很多成功的商用个性化推荐系统，如 Amazon、Group Lens 和 e Bay 等。这些个性化推荐系统都是针对传统网络的，而对于移动互联网方面的个性化推荐的研究才刚开始，国内外目前都没有比较成熟的系统出现。但都是十分重视移动环境下的推荐系统。

移动环境下的推荐系统已有一些国外相关研究。例如，文献[1]提出了基于时间上下文信息的协同过滤个性化推荐算法的优化，文献[2]研究了在移动设备上基于位置的移动广告推荐，文献[3]中帮助购物中心的商业综合体,采用基于WiFi的室内定位技术,对用户一系列的访问模式进行学习,充分利用GPS信息,预测用户下一步行为,从而进行更加精准的定向广告投放与移动推荐目标一致。移动数据通常具有高度的异构性和复杂性,目前推荐系统的实现开始关注基于时间、位置等上下文信息,移动推荐系统需要充分利用移动用户的可定位、移动性、及时性等特点，目前还处于研究探索阶段，还需更多的研究。

1.2.2国内研究

我国对于个性化推荐系统的研究比较晚，与国外相比还存在一些差距。不过，经过大量学者的深入研究，国内在理论研究和实际应用等方面都取得了一些成果。