随着嵌入无线通信和位置传感器的移动设备的迅速发展,基于位置的社交网络(Location Based Social Network,LBSN)越来越火热,兴趣点(Point Of Interests,POI)推荐应运而生,帮助用户在其活动区域内寻找用户喜欢的兴趣点。但随着信息量的不断扩大甚至产生信息过载,用户对系统的各项推荐性能要求越来越高,如何为用户提供更高效的兴趣点推荐成为了目前研究的热点。以下为本文的主要工作和创新点:1.兴趣点推荐是推荐系统的关键研究之一,传统的算法只利用用户签到信息进行推荐,且对于签到信息只单纯地考虑签到和没签到,而忽略了用户签到的次数、用户签到的时间因素以及用户之间信任关系。为提高兴趣点推荐的准确性,提出一种融合邻居选择策略和信任关系的兴趣点推荐算法(UGT)。对于签到信息处理,采用签到次数来代替传统的0/1签到,并对签到信息添加时间权重;对于用户信息,提出一种邻居选择策略来捕获用户偏好,只选择目标用户的直接朋友或间接朋友作为邻居集;对于用户之间的信任关系,首先分析用户的属性,然后给出社会地位的计算方法,重构信任度的计算方法;最后将多种因素进行线性组合后得到推荐结果。通过在两个真实数据集上进行验证,结果表明该兴趣点推荐算法在准确率和召回率上有了显著的提升。2.随着web中用户数量的指数增长,大多数推荐系统的可扩展性不高。为了改善推荐系统中的可扩展性问题,提出一种基于k-d树的协同过滤推荐算法(UBKDT)。该算法使用分层的空间分区数据结构k-d树,根据用户位置对系统的用户空间进行分区,并通过测量各区域中的空间自相关指数来验证分区算法的正确性,然后将所得区域的数据用于预测目标用户在候选兴趣点上的签到次数。将协同过滤推荐算法分别应用于各个子区域的签到数据中,而不是应用于整个签到数据中,这样可以大幅减少算法的运行时间。通过实验对比,UBKDT算法不仅有良好的推荐准确性,还为用户提供更加快速的推荐,增强了系统的可扩展性。