位置社交网络（Location-Based Social Network,LBSN）是指利用用户的签到信息,将线上社交网络和线下物理世界相结合,提供给用户一个融合虚拟世界和物理世界的全新平台,将虚拟世界信息在真实世界服务中分享与推荐。位置推荐系统通过挖掘用户习惯偏好、社交关系及位置地理信息,帮助用户发现感兴趣的位置,节省了时间与精力,还为位置提供商吸引更多用户群体。位置推荐系统广泛应用于各种app服务,如地图出行及旅行推荐等。但位置推荐系统仍面临诸多问题,例如,缺乏在海量数据中精确快速提供个性化推荐服务的能力,难以面对数据稀疏性问题及推荐位置不合理不可达等。这些问题对位置推荐系统的发展及推广产生了限制。因此本文拟针对上述问题,通过综合考虑用户的兴趣偏好、移动特征、地理影响及访问行为等特征,建立用户个性化兴趣偏好模型及个性化地理分布模型,提出基于混合轨迹相似度的个性化位置推荐算法,主要研究内容如下:（1）由于原始轨迹数据密集且庞大,本文将原始轨迹数据提取为停留点及位置,减少数据量并保留用户的位置信息。基于词频统计思想感知位置语义,得到地理空间及语义空间中的两种轨迹,解决了海量数据时计算复杂耗时的问题。（2）为满足用户个性化需求,基于超链接诱导搜索算法的思想建立用户个性化兴趣偏好模型。针对数据稀疏性问题,考虑轨迹的语义距离、地理距离、时间信息、语义熟悉度及位置流行度,提出了基于用户个性化兴趣偏好模型的混合轨迹相似度评估方案,从相似移动特性的好友数据中评估并挖掘位置。（3）在实际推荐的过程中,存在推荐位置距离过远而产生的不合理推荐问题,本文将地理因素对用户访问行为的影响建模为个性化距离分布影响,基于核密度估计建立用户个性化地理分布模型,模拟用户对不同距离推荐位置的访问行为。（4）联系混合轨迹相似度评估方案及用户个性化地理分布模型,模拟用户访问行为及移动特征,计算用户访问备选推荐位置的概率,经排序后向用户推送最终的位置推荐结果。综上所述,本文构建用户个性化兴趣偏好模型,满足了用户的个性化需求;根据混合轨迹相似度评估用户的相似好友,解决了数据稀疏性问题;建立个性化地理分布模型,确保推荐位置合理可达。经实验证明,本文提出的个性化位置推荐方案,在海量数据及数据稀疏性的场景中均具备更好的推荐性能。本文研究成果将对社交网络和推荐系统的智能化发展和广泛应用提供理论指导和技术支持。