随着新浪微博、Foursquare、Gowalla等社交网络平台的兴起,越来越多的用户们倾向于利用地理签到信息分享自己喜欢的兴趣点（Points-of-Interest,POIs）。在基于位置的社交网络中,一方面用户可分享其曾经访问过的位置信息,以展示其兴趣与偏好;另一方面商家亦可通过采集用户分享的位置信息,分析得出用户的衣食住行等活动轨迹,从而为用户提供更好的本地个性化定制服务。因此,在基于位置的社交网络中,针对用户分享信息进行兴趣点推荐已日益成为一项热门且有挑战性的研究课题。通过对该类课题的研究,不但可有效帮助用户洞悉其兴趣与偏好,而且还可将用户未曾访问过的兴趣点或商品推荐给用户,以加强对个性化推荐结果的有效性验证。现有已存在的研究主要围绕位置信息过载,数据稀疏环境下如何进行兴趣点的冷启动推荐,以及如何将用户签到行为与时空特征等要素相结合等多个热门研究问题和方向展开。文中通过对上述研究问题的充分调研,针对兴趣点推荐领域存在的若干不足,拟从用户在移动社交平台上发布的多媒体内容入手,通过结合上述研究内容所关联的时间和位置信息展开深入研究。本文的主要贡献和创新点可概述为以下两个方面:（1）本文提出了一种基于多模内容信息的兴趣点推荐方法。该方法拟将挖掘到的多模态信息使用紧耦合方式与贝叶斯个性化排序学习相结合。首先,通过构建基于时间依赖与空间约束的用户偏好模型,以挖掘用户行为的时间动态性以及空间依赖性;其次,通过创建深度多模网络,以从兴趣点的文本内容与图片中挖掘兴趣点的语义表示。由于,兴趣点多模态内容信息与隐式反馈间的关系可通过融合贝叶斯排序学习框架进行表示,因此,不同模态数据的语义表示可使用基于任务驱动与有监督学习的方式进行提取。最后,通过融合多模态信息,以执行个性化兴趣点推荐。（2）本文提出来了一种基于时间特征与用户协同过滤的兴趣点推荐方法。时间特征在兴趣点推荐中起着重要作用。首先,通过提取时间可变性和相关性特征,将时隙平滑技术融入用户相似度计算中,这样可使用户签到时间的偏好特征在协同过滤中得以体现。然后,通过提取和分析用户间的相似度,提出了一种相似用户最近邻选择方法,以此优化用户相似度计算过程,从而使得用户间关联性得以提升。换言之,通过采用不同策略为不同签到特征的用户推荐兴趣点,从而达到实现算法自适应的目的。本文实验在两个公开真实的签到数据集上展开。实验结果表明,本文提出的模型和算法在基于用户签到信息进行兴趣点推荐方面取得了预期的实验效果和良好的推荐性能。