近年来,随着智能设备、社交网络和位置获取技术的快速发展,基于位置的社交网络(LBSNs)应运而生,如Foursquare、Gowall和微信等。基于位置的社交网络服务成已经为人们出行的必备工具。这些基于位置的社交网络服务将用户线上和线下的活动结合在一起,用户访问现实生活中的兴趣点,在线上进行签到活动并与社交朋友进行线上交流、分享自己的地理位置和签到经验等。兴趣点推荐系统旨在为用户推荐其感兴趣的地点以提供更好的用户体验,并为商家增加商业利润。正因为兴趣点推荐系统对用户和商家存在这些巨大的价值,兴趣点推荐系统的研究受到了学术界和工业界的广泛关注。融合多种影响因素来提升兴趣点推荐系统的用户体验是一种技术实现途径,但也存在着一些挑战。由于兴趣点推荐系统受地理因素、时间因素和社交因素等上下文信息的影响,导致兴趣点推荐系统中的用户签到数据十分稀疏,不易于准确的兴趣点推荐。本文在现有研究工作基础上,针对现有的兴趣点推荐模型存在的不足,对基于社交和地理信息的兴趣点推荐技术开展研究,通过利用用户的历史签到数据、社交关系和地理信息,挖掘用户偏好,从而实现对用户兴趣点的准确推荐。最后,通过在现有公开的数据集验证了本文在兴趣点推荐方面理论研究的有效性和可靠性。本文主要工作及创新体现在以下三个方面:1.针对兴趣点推荐系统中的冷启动问题,本文通过潜在狄利克雷分布主题模型,挖掘用户的话题兴趣并分析用户相似度;利用Louvain社区发现算法与用户签到数据计算用户相似度;使用地理信息挖掘用户对地理位置的偏好;最后,将相似度和地理影响融和成统一模型,对用户进行兴趣点推荐。2.本文提出了融合用户、社交和地理信息的兴趣点推荐模型。模型通过非对称用户影响和PageRank算法生成的用户全局影响因子研究用户间存在的相互影响;设计了一种基于两个社交用户居住距离和用户共同好友计算用户之间的相似度的算法;利用幂律分布来挖掘兴趣点之间的距离对用户签到意愿的影响;最后,将改进的基于用户的协同过滤、社交影响和地理影响组合在一起,生成兴趣点推荐模型。3.使用Foursquare和Gowall上的真实的签到数据集,对本文所提出的基于社交和地理信息的兴趣点推荐模型的研究理论进行了实验与分析。实验结果表明:本文提出的基于社交和地理信息的兴趣点推荐模型在推荐效果上较现有的兴趣点推荐有了较大的提升,表明模型可靠、有效。