随着移动互联网和位置社交网络(Location-based Social Network,LBSN)的发展,兴趣点(Point-of-Interest,POI)推荐成为工业界和学术界热门的研究方向。虽然个性化的兴趣点推荐系统能够极大的方便用户的出行,然而兴趣点的推荐过程面临着许多的挑战,例如难以对用户的决策过程进行建模,以及数据稀疏性问题等。现有研究基本都是从用户角度出发对兴趣点的推荐问题进行建模,然而数据的稀疏性影响该种方法建模的效果。针对这些问题和挑战,提出了基于共现图的兴趣点推荐算法(Point-of-Interest Recommendation Algorithm Based on Co-occurrence Graph,CoG)。地理位置因素和兴趣点之间的相似性被同时融合到CoG中对兴趣点的推荐问题进行建模。在相似性方面,基于用户访问的兴趣点之间存在着相似性这一观察,利用用户的签到信息构建兴趣点之间的共现图,并定义了共现图中节点间的两种相似性,进而推荐问题被转化为图中相似节点的搜索问题。兴趣点间的相似性被首次运用到POI推荐问题中,这使得推荐算法更强健,推荐结果更具解释性。针对地理位置因素,对每个用户的签到位置利用高斯核密度估计方法进行单独建模,其使得推荐更加个性化。为了验证算法的有效性,在两个真实的位置社交网络数据集Foursquare和Gowalla中将CoG算法与已有相关的兴趣点推荐算法进行了多方面的对比,实验结果表明CoG算法的有效性。