随着web2.0和定位技术的快速发展,用户可以轻松获取位置信息,同时也促生了许多基于位置的社交网络。一个优秀的推荐系统不需要用户明确地表达他们的需求,而是通过建模分析用户的历史行为,自动地帮助用户找到他们感兴趣的信息。近年来,将推荐技术应用到基于位置的社交网络,引起了海内外学者的关注,并逐渐成为一个热门的研究方向。本文深入研究了基于位置的社交网络和兴趣点推荐算法,针对用户兴趣会随着时间和地理位置的变化而变化,提出一种混合时空和流行度特征的兴趣点推荐算法。在基于用户的协同过滤框架中,融入时间特征,同时将基于时间因素的兴趣点流行度的估算融入空间特征去,分别给出相应的估算方法;线性组合这两个方法,得到一个基于联合框架的兴趣点推荐算法。另外,针对用户-兴趣点签到矩阵高度稀疏的问题,提出一种基于隐含语义分析模型的兴趣点推荐算法。该算法使用隐语义模型LFM将用户签到矩阵降维,迭代计算得到用户-隐含类别矩阵和兴趣点-隐含类别矩阵,另一方面使用概率主题模型LDA从用户对兴趣点的点评文字中挖掘出用户兴趣偏好。最后,通过将时间、空间、流行度、历史、评论文本等多种异构信息进行融合,提出一种基于位置的社交网络的个性化兴趣点推荐算法。在真实的Foursquare和Yelp数据集上,对本文提出的算法性能进行实验验证。实验结果表明,本文提出的兴趣点推荐算法的推荐精确率和召回率都明显高于已有同类算法。