随着智能手机的出现与GPS技术的快速发展,越来越多的位置社交网络逐渐产生并被用户所应用,它能为用户提供多种功能,包括分享位置、发表评论以及与好友建立连接等,极大的丰富了人们的生活。而用户量的递增也直接导致了数据量的指数性增长,例如Foursquare,其作为最流行的位置社交网络包含了至少五千万个用户以及一千万个兴趣点,在这海量数据的背景下用户无法精准高效地获取自己想要的信息,对此个性化兴趣点推荐系统随之诞生。个性化推荐作为解决当前信息过载的一种有效方法,已成为电子商务,社交网站和影音站点等应用平台的核心子系统。通过建模用户的历史行为信息,推荐系统可以分析用户的需求,然后基于某种推荐策略将所得结果推荐给目标用户。而兴趣点推荐系统除了作为人们寻找有趣位置的重要途径之外,还能帮助商家发现其潜在用户,实现双赢。其主要结合用户的签到记录、对访问地点的文本及图片评论、各兴趣点的地理位置等信息来挖掘用户对兴趣点的偏好,最终为用户找到其可能感兴趣的地点,最大程度的减少用户决策时间。利用多源信息为用户提供推荐服务时,还需要考虑用户偏好多样性以及数据稀疏性、冷启动等问题。基于提升推荐系统性能的目的,本文通过用户的隐式反馈数据进行建模获取用户偏好,同时融合地理位置和社交关系两方面信息对用户感兴趣的地方进行精确预测及推荐。本文的研究工作总结如下:1、提出一种考虑项目属性权重的用户相似度计算方法Base Item AttributeWeighting Cosine Similarity(BIA-WCOS)。通过计算项目访问量及流行度并将其作为影响因子融入到余弦相似度中。该方法的提出能提高发现好友的准确性,使推荐结果更符合真实生活,通过在真实数据集MovieLens上进行实验证明了该算法的有效性。2、提出一种融合多源数据的兴趣点推荐模型Geographical-Base on the Location Attribute Social Relationship(G-BLAS)。本文采用BIA-WCOS建模用户间社交关系,即考虑兴趣点属性对用户相似度的影响,此外融合用户偏好及兴趣点的位置信息为用户推荐其可能感兴趣的兴趣点。通过在真实数据集Foursquare和Gowalla上进行实验,结果证明了该模型的有效性。