Con el objetivo de abordar el problema de la escasez de datos, el arranque en frío y las preocupaciones de privacidad en sistemas complejos de recomendación de información, como el marketing personalizado en Alibaba o TikTok, este artículo propone un modelo de recomendación social móvil que integra los rasgos de personalidad de los usuarios y la fuerza de la relación social bajo preocupaciones de privacidad (PC-MSPR). En primer lugar, PC-MSPR se centra en rasgos de personalidad específicos, incluyendo apertura, extraversión y amabilidad, y sus impactos en los comportamientos en línea de los usuarios móviles. Luego se introduce un método de cálculo de rasgos de personalidad que incorpora preferencias de privacidad (PP-PTM). En segundo lugar, se propone un nuevo método para calcular la fuerza de la relación de los usuarios, basado en sus actividades interactivas en redes sociales y ontologías de dominio (AI-URS). AI-URS divide las actividades interactivas en dominios de actividad y calcula la fuerza de las relaciones entre usuarios que pertenecen al mismo dominio de actividad; al mismo tiempo, se calcula la fuerza de relación integral de los usuarios en el mismo dominio, incluyendo relaciones directas e indirectas, basado en documentos de actividad interactiva. Finalmente, se derivan recomendaciones sociales integrando rasgos de personalidad y relaciones sociales para calcular la similitud entre usuarios. El modelo propuesto se valida utilizando datos empíricos. Los resultados muestran la superioridad del modelo en la mitigación de la escasez de datos y los problemas de arranque en frío, obteniendo una mayor precisión en las recomendaciones y reduciendo el impacto de las preocupaciones de privacidad respecto a la adopción de servicios de recomendación personalizada por parte de los usuarios.