位置社交网络的广泛使用与其规模的不断扩大使得地点推荐系统成为时下热门应用之一。地点推荐系统即为用户推荐那些他可能感兴趣地点的系统,其中地点通常指真实存在于城市中的商家、机构以及公共场所等。利用位置社交网络中的推荐系统,一方面,用户可以探索城市,发现新奇有趣的商家与地点,并获得丰富的生活体验：另一方面,商家也可以利用该系统进行即时的广告推送与商品营销,从而提升利润。位置社交网络中存在着丰富的多源异构信息,如社交网络关系,包含经纬度的地理位置信息,用户对商家的点评文本、评分以及相应的时间戳信息等。毋庸置疑,利用这些信息可以有效提升个性化地点推荐系统的准确性。然而,一些挑战也随之而来。首先,与传统推荐系统相似,数据稀疏性带来的冷启动问题是地点推荐系统中不可回避的研究问题之一；其次,由于位置社交网络所包含的丰富信息具有异构、多维度的特点,如何在模型中将一个或多个信息融合进来,也值得研究。为了解决上述问题,本文旨在进行基于位置社交网络的地点推荐方法及其应用研究,即利用位置社交网络中的多源异构信息,对用户访问地点行为进行建模,预测用户兴趣偏好,从而为用户个性化地推荐商家与地点。具体来说,本文的主要研究内容、成果与创新点如下：1)基于兴趣圈中社交关系挖掘的地点推荐。依据社会学与社会心理学中的“趋同性”理论,用户与其社交网络中的好友有相似的兴趣偏好,这为利用社交关系学习用户的兴趣提供了理论基础。本工作依据该理论,将用户按照其访问地点的类别划分到不同的兴趣圈,在每个兴趣圈中认为用户受到好友与该圈中的专家的共同作用与影响进而分别构建优化函数的两个正则化项,学习用户兴趣偏好。为此本工作设计出了一个基于兴趣圈中社交关系挖掘的地点推荐算法,这个算法使用梯度下降方法来学习用户的兴趣偏好。在真实数据集上的实验表明,我们的方法优于已有的单纯基于好友关系的推荐算法,特别在解决冷启动问题时有很好的效果。2)基于用户比较评分行为建模的地点推荐。单个用户对于多个商家的评分行为并非独立存在,而是相互关联和影响的,即用户在某次评分行为时给该商家所评分数是参照该用户的历史评分经历进行比较而得出的。本工作依据用户评分行为的相对性、比较性与时效性等特点,利用了位置社交网络中用户的评分与相应的时间戳信息,对用户评分行为进行建模,细致刻画用户的评分心理。本工作利用经济学中基于效用理论的选择模型来构建优化函数,并设计了一个基于集合输入的随机梯度下降算法来学习用户的兴趣偏好,最终利用该学习所得偏好为用户进行地点推荐。该工作通过在两个真实数据上的实验,进一步验证了我们方法的有效性。3)基于用户多角度兴趣建模的地点推荐。不同用户的兴趣偏好有可能截然不同,即便是两个对某一地点评分相同的用户也有可能拥有不同的兴趣偏好。这是由用户兴趣的多角度特性导致的,用数学语言描述,即用户在多角度兴趣上的数学分布不同。该工作基于此假设,利用点评文本信息与评分数据,将用户在文本中反应出的显式兴趣与基于传统隐因子模型表示出来的隐式兴趣结合起来构建统一的效用函数,并使用该效用函数拟合评分数据,使用梯度下降算法学习在此基础上构建出的损失函数从而得出用户的显式与隐式兴趣偏好,进而为用户推荐地点与商家。该工作在两个真实的数据集上开展实验,实验结果表明我们的方法优于目前已有的方法,并在一定程度上解决了冷启动问题。此外,基于该研究理论工作我们开发了一款手机APP,为用户推荐各个兴趣方面的商家,该应用在可视化等方面有良好的展示效果。4)基于多源信息融合建模的地点推荐。位置社交网络中包含丰富的多源异构信息,通过挖掘这些信息,可以提高地点推荐系统的准确性。本工作针对社交关系、地理位置以及点评文本等信息,建立了一个概率隐因子模型,为多源信息融合提供支撑。具体来说,模型中分别使用核密度估计来对地理位置信息建模,使用基于好友的协同过滤方法来处理社交关系,利用主题模型来抽取文本中的用户对商家的显式兴趣,并最终使用概率隐因子模型来表示隐式兴趣,从而将多源信息融合起来。真实数据集上的实验表明了我们的多源信息融合方法明显在推荐准确率指标上优于已有算法。除此之外,由于模型的模块化,我们的方法也具有很好的鲁棒性。