近年来随着跑步等运动软件的流行,基于轨迹的好友推荐算法正逐渐成为现下研究的热门。因此如何利用用户留下的轨迹数据,并找出潜在的、有意义的轨迹模式,是目前的热点问题,好友推荐就可以在此基础上应运而生。本文首先介绍了安卓平台下的运动社交平台架构,并对轨迹采集模块和数据上传模块进行了介绍,然后重点介绍了推荐系统理论,围绕着基于轨迹挖掘和用户特征的融合推荐算法展开了以下研究:(1)对用户热点轨迹、停留点、轨迹区域等进行了阐述,介绍了轨迹挖掘相关算法。针对传统DBSCAN算法区域查询复杂、参数设定需要人为参与等问题,提出了一种θ-ADBSCAN算法对热点轨迹进行挖掘,热点轨迹是用户频繁移动模式的反映,可以代表用户的一些行为习惯。(2)在热点轨迹的基础上设计了ST-Cluster算法来挖掘用户的停留点,该算法的优势在于能够防止因GPS信号差导致的轨迹点丢失和因道路拥堵引起的停留噪声。然后引入了Pearson公式,并加入了时间相似因子和层次因子,从而计算了不同用户之间的停留点相似度。(3)针对用户轨迹特征的表示,定义了轨迹分段方法。并将用户轨迹转换为由分段点和热点轨迹组成的轨迹区域,轨迹区域相似度的计算采用由MBR算法构成MHTR块序列来计算区域相似度,并结合停留点相似度得到了轨迹行为总体相似度。与传统的基于停留点算法进行好友推荐相比,从不同的尺度上衡量可以更好挖掘用户相似性。(4)针对冷启动和推荐的单一性等问题,论文研究了用户的固有特征相似度。通过注册信息挖掘出用户的兴趣矩阵,根据用户的好友衰减次数来建立用户社交矩阵,然后基于余弦相似度公式计算了固有特征相似度,并进一步通过研究轨迹行为相似度与固有特征相似度融合进行好友推荐,该部分本文设计了一种基于动态阈值的融合推荐算法,实验证明融合后的推荐算法在评价指标上要优于传统的基于停留点的推荐算法。