基于位置的社交网络(Location-Based Social Network,LBSN)规模日渐扩大,人们乐于在LBSN上进行签到,同时分享自己的位置信息和社交关系。LBSN上的签到行为生成大量的位置社交数据,其对用户提供个性化服务具有重要价值。为了让用户更易获得符合其偏好的位置信息,兴趣点(Point of Interest,POI)推荐应运而生。兴趣点推荐面临着数据稀疏、个性化不足等问题,在推荐性能和多样性方面存在性能改进空间。本文针对上述问题开展研究,主要研究内容与贡献如下:(1)针对用户签到信息中包含的多元因素,提出了基于地理、社交以及相似度三元因素融合的兴趣点推荐模型。该模型针对用户签到记录分布的特点,充分考虑用户当前地理位置,从用户签到记录中提取用户及地点的隐式特征;结合推荐目标,赋予社会因素具体语义;综合用户的历史行为,采用余弦相似度作为衡量标准来计算用户间的相似度。最后,通过因子相乘的方式将三因素融合,生成一个高性能的兴趣点推荐模型。(2)针对以往兴趣点推荐系统中未充分考虑时间因素影响的问题,提出了一个嵌入时间因素的改进兴趣点推荐模型。对基于位置的社交网络上的用户签到时间段的分布规律进行分析,引入平滑因子解决了用户签到时间数据的稀疏性问题,准确捕捉用户签到信息中的时间因素。在考虑地理、社会、相似度因素的基础上,将获得的时间因素融入兴趣点推荐模型中,进一步提升模型性能。(3)利用用户连续签到地点具有很高关联度的特点,在传统兴趣点推荐基础上,提出了一个融合用户个性化偏好和地理因素的全新连续兴趣点推荐模型。将用户签到行为定义为四阶张量,通过张量分解对用户的个性化偏好进行建模,解决用户连续签到数据稀疏的问题。此外,引入贝叶斯个性化排序算法,对推荐模型的参数进行求解优化。本文基于Gowalla真实数据集设计实验,将提出的三种模型与基线以及当下流行的方法进行了对比分析,验证了本文提出模型的优势。