随着社交网络的不断发展,有效的社交网络数据每天持续地增长。例如,在2014年6月之前,平均每天,Facebook的活跃移动用户高达6亿5千万。社交数据主要是由人类之间的社交活动产生的,并为大量的预测和推荐任务创造了机会,因为彼此具有社交关系的用户往往拥有相似的偏好。比如,一组互相是朋友的希腊裔美国人也许都会对当地社区的希腊餐馆感兴趣。此外,那些从事服务业的网络对象,比如商店、旅馆和著名景点,将会持续地被地理标签化。本文提出并支持两种新的查询,第一种为路网下地理社交文本k最近邻(GSTkNN)查询,第二种为路网下最大化双色体地理社交文本反k最近邻(MaxBRGSTkNN)查询。GSTkNN查询同时考虑了用户与对象的空间相似度、文本相似度和社交相似度,为用户推荐他们可能感兴趣的对象。MaxBRGSTkNN查询则同时考虑空间、文本和社交信息,为广告商推荐投放广告的最优地点和文本描述,以吸引最多的用户。为了解决这两个查询,本文提出了一个同时索引用户和对象的位置、文本和社交信息的混合式索引架构,称作GIM-tree。然后,基于GIM-tree,本文设计了一系列高效的GSTkNN查询算法和MaxBRGSTkNN查询算法,并提出一些剪枝策略来提升这些算法的性能。最后,在真实数据集上做了大量的实验来验证本文提出的方法和剪枝策略的有效性和高效性。