随着科技的发展和社会的进步,包括电子地图在内的基于地理位置信息的服务以其方便快捷、直观可视化的特点,日益受到广大民众的欢迎,并广泛应用于生活中的各个领域。同时,各行各业对这些与位置相关的信息的需求愈来愈强烈,兴趣点(POI)通过将地理实体信息与地理位置信息相整合,给用户带来极大的便捷。POI上标记的标签可以从许多方面促进基于位置服务的发展,例如位置搜索和位置推荐。但是目前的实际情况是,许多POI的标签是不完整或不精确的,这就导致了依赖这些标签的应用程序的使用性能大大下降,因此迫切的需要构建更好的底层数据,以推动位置服务应用的发展。在本文中,我们研究了POI标签的自动补全问题,该问题旨在自动填充POI的丢失标签以及纠正POI的错误标签。我们提出了一种由三部分组成的自适应协作学习模型来寻找最佳的POI-标签分数矩阵,为每个POI找到最适合的N个标签。该框架集成了三个组件以进行协作学习:第一部分通过矩阵分解的方法得到一个记录POI和各标签之间相关性的分数矩阵;第二部分通过从POI空间和标签空间探索成对的POI与POI,标签与标签,POI与标签之间的相似度匹配情况;第三部分利用最大似然估计的方法来学习推断出每个POI最可能匹配的几个标签。我们设计了一个自适应的联合训练方法,使得这三个组件可以同时进行训练,并且相互提供补充信息、相互约束,以优化整个模型。最终优化的结果是从不同组件的角度得出的一致性结果。同时,本文还讨论了如何利用各种数据源来构建POI标签自动补全模型所需要的特征。涉及到的数据源包括百度地图POI的已有基础数据、百度用户画像数据以及用户在百度地图上的检索数据。最后,本文利用北京和成都两个城市的数据,以知识图谱领域的边补全算法,图像领域的标签补全算法和POI领域的标签补全算法为对比算法,进行了广泛的实验。分别证明了在普通数据集,存在错误标签的数据集和存在缺失标签的数据集这三种情况下,该模型的有效性。同时,我们将由该模型推断出的具有“亲子”标签的POI数据,部署到百度地图上,进行了真实的案例分析。