随着大数据技术的发展与应用,各式推荐系统已经成为大数据研究领域里的一个非常重要的研究方向。随着智能手机和GPS功能的普及以及基于位置社交网络的蓬勃发展,基于用户签到行为的兴趣点（Point-Of-Interest）推荐成为了一个重要的研究方向和热点,兴趣点推荐能帮助我们推荐出特别有趣的并且非常引人注意的地理位置信息,特别是当人们在境外旅游或者外地出差旅行的情况下,这个时候用户签到数据是具有十分明显的稀疏性特性,从而给兴趣点的推荐引来了非常困难的麻烦,为了解决这种用户签到数据稀疏性特性的问题,融合地理信息因素影响、时间影响因素、用户社交关系因素、兴趣点内容信息和兴趣点的流行度因素的影响等方面的影响因素,从而增加兴趣POI推荐算法的准确度。但是,当前的研究没有能够综合上面所有影响因素共同作用的推荐算法,用来处理兴趣点的数据稀疏性特性问题,尤其是在国外或者其它城市推荐下容易被当前大多数的研究所忽视。本文作者将以时空轨迹影响因素提出混合推荐模型,为了解决兴趣点推荐算法中存在的稀疏性问题、冷启动问题以及缺少解释性等问题,同时为了满足在不相同的时空轨迹条件情况下为用户推荐出最准确的兴趣点的需求。本文作者将提出基于元路径语义模型条件下的Topk混合兴趣点推荐算法。论文实验采用Foursquare数据集来评测所提出的算法方案。通过本文提出的基于时空轨迹的用户出行兴趣点推荐模型框架可以更好地融合空间与时间特性,非常精确地挖掘和表现出用户的行为偏好特征。相比于其它不考虑时间和空间影响因素或者只是关注单一影响因素的推荐算法,在推荐结果的准确性和推荐性能上面有十分显著的提升,特别是在融合了时间影响因素和空间地理信息影响因素的条件下,通过实验的论证,获取了较优的性能。