随着移动设备的普及,手机中内置的拓展组件功能日益完善,同时人们逐渐重视数据本身所带来的价值,利用手机等便携设备获得的数据更具有实时性以及准确性。但是利用轨迹进行行为挖掘并没有很好的关联用户当时所处的上下文环境,并且结合位置信息进行的推荐服务没有很好的应用。本文首先针对用户的移动轨迹进行行为挖掘,利用时间窗口识别用户的密集活动时间区间,以此保证用户的兴趣点是具有时效性的,兴趣点集合会随时间变化而变化。再针对每一个密集时间区间进行用户兴趣点识别。在进行移动用户兴趣点识别过程中,提出二阶速度协同聚类兴趣点识别算法,算法主要解决了在以往聚类过程中不同维度进行聚类计算时需要预设权值,在此算法中提出利用自适应偏移量的策略进行计算权值。同时在兴趣点发现的过程中考虑了速度因素,避免出现低价值的兴趣点。其次在本文中结合兴趣点集合提出基于时效性的个性推荐算法,根据用户历史移动轨迹生成的兴趣点标签集合,先进行标签打分,之后是结合不同密集时间区间内标签集合挖掘标签之间的关联度。最终综合考虑后,按照标签级别进行排序后,根据标签进行相关内容推荐。本算法利用用户移动轨迹具有周期性的特性提出了标签自动打分的机制策略,同时简化了标签之间关联度计算的复杂度,并且结合时效性进行实时推荐,提高了推荐内容的相关的准确率。上述提到的两个算法与其他的兴趣点发现以及个性推荐的方法进行了多个实验对比,主要按照准确率、及时性等多维度分别进行比较。并且依赖真实数据集进行数据测试,显示本文提出方法具有一定的优越性,在保证准确率的同时考虑了分析结果的及时性以及具体的用户个性偏好,并且结合用户自身的密集时间区间极大程度的保留了当时用户所处的上下文环境。