近些年来,随着互联网的发展和移动设备的普及,基于位置的社交网络服务(简称LBSNs),如Gowalla和Foursquare为人们的生活带来了很大的方便。在LBSNs中,用户可以建立社交关系,在感兴趣的项目上如电影或兴趣点等进行签到,对访问过的项目评分等等。这些历史签到数据为我们挖掘用户偏好,给用户提供个性化推荐带来了新的机遇。如何在LBSNs这个平台上提供高质量的推荐是一个非常具有研究价值的问题。首先,本文的工作重点着眼于研究位置信息在LBSNs推荐中的影响。具体针对三种评分类型的位置社交网络,分别提出了三种推荐模型:ILARS-MF模型、ULARS-MF模型和UILARS-MF模型。其中,ILARS-MF对应于项目有位置的评分,ULARS-MF对应于用户有位置的评分,UILARS-MF对应于用户和项目都有位置的评分。现有的研究中没有用一个统一的方法来考虑这三种类型评分,鉴于矩阵分解算法是一种可以很好地将不同因素融合在一起的算法,所以我们提出通过矩阵分解的方法为三种模型构建一个统一的推荐框架,来提高推荐的精度。然后,鉴于位置社交网络中用户往往仅访问一小部分的兴趣点,数据的稀疏性为推荐系统带来了很大的挑战。针对此问题,我们除了考虑位置信息的影响,我们还将社交信息和类别信息融合进来综合考虑。通过对真实数据集Foursquare进行分析,发现社交关系、类别关系和位置关系三者分别服从幂律分布,而现有的研究中都是分开利用幂律分布考虑这三种信息对位置社交网络推荐的影响,鉴于幂律分布是一种很重要且被广泛应用的分布,所以我们提出将三种信息都建模为幂律分布,并用乘法法则融合在一起,用梯度下降法探索幂律分布的指数参数,从而确定出我们的推荐模型。本文通过在真实数据集上和其他推荐算法进行对比评估,实验结果表明我们所提出的推荐算法在推荐精度得到提高,验证了我们所提出的推荐算法的可行性和有效性。