近年来,随着基于位置的社交网络(Location-based social network,LBSN)的不断发展,各类社交平台上的数据量级不断攀升,图片数据作为新的数据类型不仅隐含了兴趣点(Point-of-Interest,POI)本身的特性,同时也包含了用户对于POI的关联偏好信息。而随着计算机视觉技术的发展,高阶视觉特征的提取与应用在诸多领域也取得了良好的效果。在假设社交网络中图片的视觉特征与其他异构特征的整合利用可以达到提升推荐系统精度的情况下,本文提出一个整合视觉地理等异构特征的优化推荐模型,结合视觉与其他异构特征,从而验证视觉特征在推荐系统中可发挥的作用。在LBSN的场景下,POI本身的地理特性、社交特征也值得挖掘与研究,而一般情况下,研究者往往针对用户层面的社交属性而忽略了POI层面的社交属性。本文通过优化POI数据的地理模型,基于通过隐式反馈用户交互信息、属性信息等数据,挖掘了两类POI层面的社交属性,融合进最终推荐模型,最后设计了大量实验来验证所提出的算法模型。本文的主要工作和贡献如下:1)本文提出了针对POI的视觉特征以及其他异构特征的融合挖掘。针对社交网络中的图片数据,本文提取了卷积神经网络高阶视觉特征,并通过重叠社区发现算法挖掘了两类社交属性特征,即POI-POI,POI-Community。其次在社会化加权矩阵分解的模型中融合视觉特征与社交特征,最后求解用户与POI的潜在因子向量表达,还原评分矩阵,以提升推荐模型的预测精度。2)本文提出了基于幂率分布的优化地理模型。针对POI在地理位置的分布特性以及与用户的交互信息,通过对POI访问的频次建模,从幂率分布的角度优化概率地理模型,得到拟合幂率分布的模型与参数,再通过贝叶斯后验概率估计的方式预测评分。最后通过加权的模型融合视觉社交模型与地理模型,得到最终的评分,并通过排序的方式进行TopN推荐。3)本文基于两个LBSN数据集,设计了充分的实验来验证所提出的POI推荐算法。首先,本文将本文的模型与五个对比算法进行了实验对比,在精度与召回两个指标上本文的模型都有显著的性能优越。其次,本文设计了多个参数分析的实验从而论证参数的选择合理性。最后,本文对模型各个模块也单独进行了实验分析与对比。