随着互联网的发展,越来越多的人喜欢在探索新兴趣点（POI）的同时,使用签到（Check-ins）的方式将其分享给基于位置的社交网络（LBSN）上的其他用户。通过分析用户的签到数据,基于LBSN的推荐算法可以挖掘出用户的潜在行为模式,为用户推荐其可能会感兴趣的兴趣点。但是由于LBSN中包含的兴趣点遍布世界各个角落,从如此多的兴趣点中准确找到用户可能会喜欢的兴趣点是非常困难的。并且面对庞大的数据量,计算量会变得非常大,推荐效率也会变得很低。此外,虽然LBSN中包含的信息很多,但是目前大多数研究都只是通过分析数据中的某一方面信息进行兴趣点预测,而数据中的很多信息并没有利用到,导致这些算法的推荐准确度还不够高。为了解决上述问题,本文提出了一种全新的基于用户分组和多因素融合的兴趣点推荐算法,即Multi-Element Fusion Recommendation System（MEFRS）。首先,为了降低海量数据带来的影响,本文提出了一种适应于LBSN数据特性的改进谱聚类算法实现对用户的聚类分组,并结合“群体智慧”的思想为每个用户提取出一个数据量相对小很多的有效兴趣点集合,实现兴趣点过滤。之后在为用户进行兴趣点推荐时,只需考虑有效兴趣点集合中的兴趣点即可,这不仅大幅降低了计算量而且还减小了无效兴趣点带来的影响。为了可以充分利用数据中丰富的上下文信息,我们从兴趣点种类、兴趣点地理位置、用户访问顺序和用户社交关系四个方面同时分析用户对兴趣点的偏好程度,并计算兴趣点的吸引力评分,最后根据评分的大小完成对用户的兴趣点推荐。为了证明MEFRS的有效性,我们在Foursquare和Gowalla这两个大型公开数据集上进行了对比试验,结果表明MEFRS不仅在推荐准确度上有所提升,而且在推荐效率方面也大幅优于其他几种对比算法。