近年来，在线社交网络和基于位置的服务迅速兴起，以Foursquare为代表的基于位置的社交网络（Location Based Social Network，LBSN）平台取得了巨大的成功，并连接了用户的线上线下行为。基于位置的社交网络平台每天产生大量的用户行为数据，这种大规模数据为研究个性化推荐问题提供了数据基础，同时个性化推荐也为平台带来更好的用户体验。　　LBSN平台中存在用户信息、位置信息、好友关系信息以及历史签到信息。为综合利用各类信息缓解数据稀疏性对个性化推荐的影响，本文将LBSN视为复杂的异构网络，使用链路预测技术研究LBSN中的个性化推荐问题。　　首先，基于用户行为引入位置间关系，将LBSN建模为复杂异构网络模型。引入元路径概念作为拓扑特征描述LBSN中两节点间的关联性，并通过监督学习中的逻辑回归学习获得元路径特征的相应权值。在此基础上提出异构网络链路预测算法通过两节点间的元路径特征值及特征对应权值计算两节点间存在链路的概率。　　其次，基于异构网络链路预测算法提出位置推荐和朋友推荐算法。基于LBSN网络模型定义用户与位置之间、用户与用户之间的元路径集，在此基础上定义元路径特征值的计算方法，并在朋友推荐中引入时间属性。计算用户节点与位置节点、用户节点之间产生链路的概率，并基于此分别为用户进行个性化位置推荐和朋友推荐。　　最后，为验证推荐算法的推荐效果，本文基于三个不同的数据集分别设计并实施了位置推荐算法实验和朋友推荐算法实验。位置推荐实验验证了引入位置间关系的合理性，证明了本文提出的位置推荐算法较传统的推荐算法更加精确，且更适用于稀疏数据集。朋友推荐实验结果发现，本文提出的推荐算法较传统的推荐算法获得了更加精确的推荐结果，而且在稠密的数据集上考虑时间因素进一步提高了推荐精度。