随着大数据时代的来临,如何从海量数据中获取有效信息已经成为一个具有挑战性的研究课题。各类提取信息的服务中,兴趣点推荐服务根据用户签到信息来挖掘用户的地理偏好并预测用户感兴趣的地点,卓越的商业价值使它受到了工业界和学术界的广泛关注。许多先进的兴趣点推荐模型结合兴趣点的位置信息,获取兴趣点间的地理关联性,并由此推测两个兴趣点被用户共同签到的概率。然而,这些研究通常认为地理关联性只与兴趣点有关,忽略了它与用户的关系。本文从推荐任务类别一一一般推荐和序列推荐两个角度,分别提出了基于个性化地理影响的一般兴趣点推荐模型和下一个兴趣点推荐模型。具体贡献主要包括以下两个方面:(1)针对一般推荐任务,本文提出了基于个性化地理影响的一般兴趣点推荐模型Gen-PGIM。该模型首先改进了神经协同过滤框架,从而改善推荐结果的多样性;再结合兴趣点的地理信息,从用户的全局距离容忍度、局部距离容忍度以及兴趣点间的距离三个方面,建立个性化的兴趣点间地理关联性。在三个真实数据集上的多个实验,证明了该模型在推荐的精确率、召回率、多样性上都优于以往的地理推荐模型。(2)针对序列推荐任务,本文提出了基于个性化地理影响的下一个兴趣点推荐模型Next-PGIM。该模型结合用户签到的兴趣点序列及对应距离序列,捕获用户下一时刻的序列偏好及地理偏好。然后结合用户签到行为的时间不规则性和语义不规则性,建立了时间、语义敏感的序列偏好及地理偏好,并分别使用线性和非线性方法融合方法结合这两个偏好。在三个真实数据集上的多个实验表明了该模型在改善召回率、平均倒数排名上的有效性。