随着移动互联网的发展,基于位置的社交网络（Location-based social networks,LBSNs）,例如Foursquare和Yelp,受到了广泛发展。用户在基于位置的社交网络上分享其经历,比如美食打卡,风景区拍照等,并在线上与其他用户组成好友。但是,LBSNs的发展也为用户带来了严重的信息过载问题,因为LBSNs上用户很难从海量兴趣点中发现他们感兴趣的项目。因此,兴趣点推荐系统（POI recommendation systems）成为缓解LBSNs中信息过载问题的有效手段。相比于传统领域的推荐,兴趣点推荐存在更严重的数据稀疏性问题。为此,现有方法通过充分挖掘和利用LBSNs中丰富的相关数据来缓解用户签到数据的稀疏性问题。然而,这些方法忽视了一个事实,即用户是为了参与活动而选择相应的兴趣点,缺乏对用户复杂活动模式的深入研究,因而无法区分活动模式下多种因素对用户决策的动态影响,从而导致不同因素影响下形成的用户签到样本均被用于用户个人偏好建模,进而难以精准刻画用户偏好,这为兴趣点推荐带来了巨大挑战。基于以上挑战,本文对基于位置社交网络中用户活动模式感知的兴趣点推荐方法进行了研究,从活动角度分析用户行为模式,准确挖掘活动模式下的用户偏好,进而为LBSNs的用户提供准确高效的兴趣点推荐服务。本文的主要内容和创新点总结如下:（1）提出一种基于用户活动时间模式感知的兴趣点推荐方法,有效建模复杂的用户活动时间模式。首先,通过数据分析,发现用户个性化偏好并非影响其时间决策的单一因素,在真实环境下用户有复杂的活动时间模式。在此基础上,将用户偏好细分为用户个人活动偏好和社会偏好,其中后者反映了在活动影响下用户在兴趣点选择上的趋向性,进而将用户活动时间模式划分为其个性化活动偏好影响下的活动时间模式、其社会偏好周期性影响下的活动时间模式以及用户社会偏好非周期影响下的活动时间模式。此外,采用别名采样方法提升模型训练效率。在两个真实的基于位置社交网络数据集上的实验结果表明基于用户活动时间模式感知的兴趣点推荐方法与现有方法相比,在推荐准确度和模型训练效率上有显著提高。（2）提出一种基于用户活动时空模式感知的兴趣点推荐方法,有效建模了用户活动模式在时空上下文中的多样性。首先将用户活动射在新定义的时空活动图上,揭示了时空上下文下用户活动模式的多样性,以及相同活动模式下用户决策明显的差异性。在此基础上,提出一种概率生成模型,对用户活动模式及其偏好进行联合建模,精准地刻画用户活动时空模式,准确捕捉复杂用户活动时空模式下的用户偏好。在两个真实的LBSNs数据集上的实验结果表明提出方法与现有的方法相比具有更高的推荐准确度。（3）提出一种时空活动影响下用户签到模式感知的兴趣点推荐方法。首先,通过数据分析发现用户签到过程中活动相关的三个现象,即活动的社会影响、用户社会偏好及决策间的不一致性,以及活动频率特征和影响签到主要因素的相关性。在此基础上,提出一种概率生成模型,将用户偏好进一步细分为个人活动偏好及其社会偏好,并在代表两种偏好的潜在主题间建立连接,挖掘用户活动的社会影响。结合活动频率特征,构建联合开关,根据相关性将签到划分为用户社会偏好影响下形成的签到以及时空人群影响下形成的签到两类,并从签到样本中自适应学习用户社会偏好在其决策中的权重,获取时空活动影响下的复杂用户签到模式,准确刻画用户偏好。在两个真实的基于位置社交网络数据集上的实验结果表明提出的方法与现有方法相比在性能上有显著提高,训练效率也高于基于吉布斯采样的传统方法,并且多元高斯分布能够采集更加连贯的潜在主题。（4）提出一种基于用户活动序列模式感知的兴趣点推荐方法,用于缓解新发现的冷启动序列问题。首先提出一种活动序列语义表示策略,结合序列中活动的语义及相应的时间间隔信息,生成准确的活动序列表示向量,进而发现相近语义的活动序列下用户行为的相似性。基于这一现象,提出一种概率生成模型,将不同的、稀疏的、语义相关的活动序列映射到语义空间上相近位置,利用多元高斯分布从中提取出语义连续的序列模式。进而自适应地学习活动序列模式下用户社会偏好和时空人群效应对其决策的影响权重。在两个真实的LBSNs数据集上的实验结果表明提出方法与现有的方法相比具有更高的推荐准确度。此外,提出的模型能够更灵活地获取用户活动序列模式。