随着社交网络与定位技术的发展,基于位置的社交网络规模越来越大。人们可以在基于位置的社交网络中与朋友联系、探索有趣的地点并以签到的方式分享他们的地点和经历。随着签到数据的大规模增长,数据的价值也越来越大。如何从这庞大的数据中,筛选出有价值的信息,为用户提供个性化的推荐成为了学者们研究的重点。其中根据用户历史的签到数据,向用户推荐感兴趣的地点是一个热门的研究方向。本文对地点推荐的相关算法展开研究,发现之前很多基于LBSN的协同过滤算法并没有考虑用户的当前位置。因此,无论用户在哪里,推荐算法都会向用户推荐相同的地点,这就会造成推荐的地点离用户的当前位置十分的远。考虑这样的一种场景,用户离开他的居住区域,到一个很远的地方旅行。依据之前不考虑用户当前位置的推荐算法,给用户推荐的地点将靠近他的居住区域。因为用户的历史签到数据在居住区域附近,基于用户的协同过滤算法给出的推荐地点也会靠近用户的居住区域,而不会推荐用户旅行地点附近的地点。由于时空的限制,远离用户当前位置的推荐地点是没有实际意义。本文针对这个问题展开了深入的研究,从用户相似性、社交因素、地理因素三个方面来改善基于用户的协同过滤算法,提出了一种距离自适应的算法。这个算法有两个简单但很重要的特征。1)算法会根据推荐地点和用户当前位置的距离过滤掉很远的候选地点。2)算法将时间因素融入了用户相似性的计算,将好友熟识度融入了社交因素。本文使用Foursquare中的数据集,对改进算法与其他推荐算法做了对比分析,验证了改进算法的可行性。实验结果表明,改进算法的在一定程度上提高了推荐的效果。