随着以Web2.0技术为基础的社会化媒体的兴起,基于位置的社交网络(LBSN)服务逐渐进入了大众的视野。LBSN弥合了现实世界与虚拟世界之间的鸿沟,为商家带来更多展示商品和服务的机会。由于LBSN中具有数以百万计的兴趣点,而用户一般只能访问非常有限的兴趣点,造成了位置推荐面临严重的数据稀疏性问题。针对该问题,本文的主要研究内容如下:(1)基于“时间-组合”平滑法的主题序列数据生成为了增加签到数据集的稠密性,本文对原始签到数据集进行扩充:1)主题层映射,该部分采用主题模型将“用户-兴趣点”数据映射至“用户-主题”数据;2)序列层扩充,采用“时间-组合”平滑法对映射后的数据进行扩充。时间平滑法考虑用户行为的时段性,将用户在不同日期的签到数据聚集到一天内相应的时段中,从而为用户生成更加完整的主题序列。组合平滑法考虑了在不同时段内所有可能的主题组合,以挖掘其行为模式的多样性。(2)基于签到主题序列的共同主题/序列相似度模型针对用户签到数据稀疏且用户间的访问记录不均衡的问题,本文并提出了一种同时考虑共同主题和序列的相似度模型。首先,为了探索用户间共同主题的时段性和关联性,该部分提出了一种共同主题/序列提取算法。进而,构建了共同主题与共同序列两个相似度,主要考虑时段差异带来的相似偏好衰减性、用户分别对主题的综合偏爱程度、用户在具体情境下的主题偏爱性、共同序列数、每条共同序列的长度以及用户的活跃程度。最后,两个相似度融合为协同过滤推荐中近邻选择的综合相似度。(3)基于自适应混合马尔可夫的主题模型推荐方法针对用户兴趣同时受到社会环境以及小生境影响的现象,本文提出了一种集体个人自适应马尔可夫模型。首先,集体模型对系统中所有用户的主题序列进行建模,挖掘大环境下用户的行为模式。为了解决单一用户数据稀少的问题,个人模型对每个用户和所在朋友圈中用户的序列模式进行建模,挖掘小环境下每个用户的行为模式。其中,本文提出的自适应阶数确定方法可以为每个用户确定一个自适应阶数。进而,根据当前用户的阶数在用户和近邻序列数据内构建个人模型。最后,将集体个人自适应马尔可夫模型融合到主题模型中来进行兴趣点推荐。通过实验对比结果和理论分析表明,基于提出的数据扩充方法,共同主题/序列相似度模型可以更好地选出最近邻,集体个人自适应马尔可夫模型可以准确地构建用户的状态转移模式,并极大地提升推荐效果。