兴趣点(Point-of-Interest,POI)推荐是推荐系统领域的一部分,并深深根植于人们的日常生活中。随着LBSNs技术的不断发展,兴趣点推荐应用也积累了大量的用户,产生了海量的兴趣点数据。本文主要针对兴趣点推荐领域中,兴趣点数据稀疏导致的推荐不准确、推荐精度低的问题,提出了模型融合的不同方法。首先,本文提出了一种商品推荐领域算法向兴趣点推荐领域转换的方法DTPOI,其不同于传统推荐模型直接利用评分的得分,而是对用户评分信息进行了重新定义;本文根据地理位置信息和标签信息分别构建了距离因子和标签因子,并结合用户评分得分,从而计算出兴趣点评分信息矩阵来参与矩阵分解。通过Yelp真实数据集上的实验,DTPOI算法在MAE和RMSE评估上相比PMF、SoRec、TrustMF、TrustSVD算法分别平均提高了47.765%和22.77%,分析实验结果说明DTPOI算法提高了兴趣点推荐的准确率。其次,本文提出了一种融合图像内容的POI推荐算法VPOI。本文改造深度卷积网络模型VGG16模型,使其能够对兴趣点图像进行特征抽取;同时,构造出能够进行概率矩阵融合的兴趣点图像特征向量,构成参与矩阵分解的兴趣点图像特征矩阵。通过Yelp真实数据集上的实验,VPOI算法在MAE和RMSE评估上相比PMF、SoRec、TrustMF、TrustSVD算法分别平均提高了19.535%和8.705%,分析实验结果说明VPOI算法提高了兴趣点推荐的准确率。最后,本文对兴趣点推荐领域的社交关系进行了挖掘,并基于社交矩阵分解模型,将前面的探索工作进行模型融合,提出了一种兴趣点推荐算法SVPOI来整合社交网络和图像内容。SVPOI算法利用了用户评分信息、地理位置信息、标签分类信息、用户社交关系信息、兴趣点图像信息进行兴趣点推荐。在Yelp真实数据集下进行了实验,实验结果表明SVPOI算法的MAE和RMSE值相比于DTPOI方法下的最优算法TrustSVD分别提高了5.5%和7.82%,分析实验结果说明SVPOI具有更好的推荐准确率。