随着全球定位系统和移动互联网的快速发展与普及,社交网络迎来了重大变革。其中,基于位置的社交网络(LBSN)和基于活动的社交网络(EBSN)愈发受到大众用户的青睐。很多用户愿意分享他们的签到信息以及参与的活动,由此便诞生了海量的带有位置信息的社交数据。为了从这些数据中挖掘出有价值的信息并服务于用户,推荐技术发挥着重要作用,并成功引起了商业界和学术界的广泛关注。本文主要研究兴趣点推荐,分别面向个体用户和群体用户推荐潜在兴趣点。通过更深层次地剖析问题本质,利用社交网络中多维度数据信息,提出更加合理有效的推荐策略,提供更高质量的个性化推荐服务。本文的主要研究工作如下:(1)分析当前兴趣点推荐的背景意义以及国内外的研究现状,探讨传统推荐算法的研究思路和优缺点,为后续研究工作提供坚实的理论支撑。(2)发现并分析用户兴趣点签到行为中存在的分层现象。针对该现象,本文在原有GeoMF模型基础上,构建分层地理空间矩阵分解模型,探索用户偏好和兴趣点分别在内容和地理空间上的隐性层次结构,进而提高个体用户兴趣点推荐效果。(3)针对如何有效权衡群体中各成员用户不同偏好的难题,文本提出一种群体推荐生成模型。该模型考虑到用户个人偏好、群体主题及其社交关系都会影响用户行为。在做群体兴趣点推荐时,融入每个成员用户对群体基于主题的不同影响权重,聚集所有成员用户的不同偏好,得到整个群体对候选兴趣点的偏好程度。最后,本文分别在真实数据集上进行个体和群体兴趣点推荐的相关对比实验。跟目前先进方法相比,本文方法在多个评价标准下均有相对优势的表现,进而验证了本文方法的有效性和可靠性。