随着移动互联网的发展，兴趣点推送已经成为信息推送服务中的关键技术组成部分。作为地理位置服务中的重要推送内容-兴趣点，是连接用户与服务器的重要桥梁之一，用户的搜索内容和服务器反馈给用户的结果之中，都包含着兴趣点这一要素。不过目前兴趣点的各种属性，例如定位精度，属性精确度，以及表达的清晰度上都还存在很多缺陷和不足，这极大的降低了用户的体验感。比如用户输入自己的搜索内容之后，反馈的信息与用户的个性化需求差别很大，或是推送的兴趣点是用户很久以前感兴趣而现在没有兴趣的POI。这样不但使用户的体验感大幅度降低，还会误导用户，使用户对周围地理环境认知产生偏差，这些都是目前兴趣点推送领域急需解决的问题。本文在研究了目前典型的兴趣点推送算法的基础上，对于当前推送算法在实际应用中所存在的问题进行分析后，提出了新的兴趣点推送模型，研究内容主要围绕地理位置信息聚类，创建了一种轻量级自适应兴趣点推送模型。下面将概述本论文的主要研究内容和创新点:
　　(1)指出移动环境下POI推送的特点与任务。对已有的兴趣点推送算法进行时间复杂度分析，指出这些算法所存在的问题和弊端。将其作为参考，为后面选择推送算法提供依据。
　　(2)通过一种基于地理位置信息聚类的方法，对用户的历史轨迹进行划分并找出拐点，对拐点进行聚类形成新的兴趣点区域，挖掘出用户潜在的兴趣点，以此作为兴趣点权重更新的依据。
　　(3)提出了一个面向移动环境下POI推送的轻量级自适应综合模型，通过将用户搜索兴趣点的时间间隔作为POI权重更新依据，进而更新兴趣点库中的兴趣点权重。