针对移动服务推荐中用户上下文环境复杂多变和数据稀疏性问题，提出一种基于移动用户上下文相似度的张量分解推荐算法——UCS-TF。该算法组合用户间的多维上下文相似度和上下文相似可信度，建立用户上下文相似度模型，再对目标用户的K个邻居用户建立移动用户-上下文-移动服务三维张量分解模型，获得目标用户的移动服务预测值，生成移动推荐。实验结果显示，与余弦相似性方法、Pearson相关系数方法和Cosine1改进相似度模型相比，所提UCS-TF算法表现最优时的平均绝对误差（MAE）分别减少了11.1%、10.1%和3.2%；其P@N指标大幅提升，均优于上述方法。另外，对比Cosine1算法、CARS2算法和TF算法，UCS-TF算法在数据稀疏密度为5%、20%、50%、80%上的预测误差最小。实验结果表明UCS-TF算法具有更好的推荐效果，同时将用户上下文相似度与张量分解模型结合，能有效缓解评分稀疏性的影响。