近年来出现了一些如Foursquare、Yelp等基于位置的社交网络（Location-Based Social Networks,LBSN）服务,通过它们,用户可以在系统推荐的兴趣点列表中选择他们感兴趣的地点去访问并签到。兴趣点（Point-of-Interest,POI）推荐服务既有助于用户探索新地点也可以帮助商家发现潜在客户,近年来受到了广泛关注。目前已有不少关于POI推荐的研究工作,不过潜藏在用户与兴趣点交互过程中的地理信息影响和类别偏好影响以及文本信息中隐含的用户偏好尚未被充分利用。文中结合现实生活中的应用场景,开展挖掘上下文中的有效信息进行兴趣点推荐的研究,主要工作概括如下:（1）针对LBSN中的数据稀疏性问题,提出了一种基于主题模型的POI推荐算法TUTI-CF,通过丰富有效信息从一定程度上缓解推荐过程中的冷启动问题。该算法将LDA主题模型与协同过滤模型相结合,首先利用相关文本信息构建主题模型,之后使用JS散度计算用户间以及POI间主题分布的相似程度,并将此相似度融合到协同过滤模型从而进行POI推荐。实验结果表明,TUTI-CF算法相比于传统协同过滤推荐算法准确率最高提升了30%左右。（2）针对POI推荐过程中地理与类别偏好影响尚未被充分利用的问题,提出了一种地理影响和类别偏好融合的POI推荐算法GC-CF。该算法根据用户的历史签到记录并利用K-Means聚类算法建模地理影响,利用TF-IDF方法分析用户的POI类别偏好,然后将得到的地理影响与类别偏好影响权值融合进一个POI推荐框架中以进行POI推荐。实验结果表明,对比传统协同过滤推荐算法UBCF以及利用了地理影响或类别偏好的GCF和CD-CF推荐算法,GC-CF算法的推荐精度最高有近20%的提升。（3）针对现有的POI推荐算法大多缺乏适应性的问题,提出了一种上下文感知的自适应兴趣点推荐算法CAACF。该算法首先从历史签到数据中提取用户活跃度特征,然后基于特征数据使用聚类算法将用户分为活跃用户和非活跃用户,最后对于不同类型的用户采用不同的推荐策略,利用相关的上下文信息自适应地进行推荐。实验结果表明,CAACF算法相比于缺乏适应性的传统协同过滤推荐算法准确率最高提升了25%左右。