如今，越来越多的人使用智能手机接入移动互联网，并通过各种各样的社交网络与好友进行即时通信、获取资讯、分享状态。在众多形式的社交网络中，基于位置的社交网络（Location-Based Online Social Networks, LBSNs）充分利用了智能手机日益发展的定位技术，使得用户可以随时获取自己所在的位置，并通过“签到”进行分享，发现感兴趣的地点并结识志趣相投的朋友。随着基于位置社交网络的流行，越来越多的社交应用也推出了与位置信息相关的功能，例如将用户的实时位置附在分享的图片上等。　　因此，位置社交网络服务商掌握了大量的用户签到数据，这些数据中除了签到位置、时间等信息外，还蕴含了大量能够反映用户兴趣爱好的信息，这些信息可以用来为用户提供包括好友推荐在内的各种推荐服务。现有位置社交网络中的好友推荐研究多侧重于从签到数据的位置、语义信息挖掘用户的兴趣爱好，考虑用户签到时间的研究较少，且多在自行构造的数据集上对方案进行验证。针对以上不足，本文充分考虑了签到数据中的时间信息，提出了两个好友推荐方案：基于语义与时间的好友推荐以及基于时间分布相对熵的好友推荐。　　本文的主要研究内容如下：　　1.提出了一个基于语义与时间的好友推荐方案。此方案中，根据签到位置的语义信息对签到数据进行了分类，以缓解数据稀疏的问题；并在量化原始签到数据的过程中使用了词频-逆文档频率模型（Term Frequency-Inverse Document Frequency, TF-IDF）以平衡用户个人的爱好与签到地点的受欢迎程度。最后，根据用户间签到行为随时间分布的相对熵调整了传统的余弦相似度计算公式，依据综合考虑了语义与时间的用户间相似度做出好友推荐。　　2.为了进一步提高推荐结果的准确率、召回率等指标，本文提出了一个基于时间分布相对熵的好友推荐方案。在此方案中，充分考虑了用户间签到时间分布对好友推荐结果的影响，在计算用户间在各地点类别下签到时间分布的相对熵后，使用了基于TF-IDF思想的方法以及遍历地点类别组合等两种方式，提取用户感兴趣的地点类别。最终找出用户最感兴趣的若干地点类别下签到时间分布最相似的用户，作为好友推荐结果返回给用户。　　3.我们在收集自基于位置社交网络Gowalla的真实签到数据集上，对所提出的两个好友推荐方案进行了验证。并在验证基于时间分布相对熵的好友推荐方案过程中使用了机器学习中监督学习的方法。实验结果表明本文提出的两个好友推荐方案在推荐结果的准确率、召回率等指标上均明显优于传统的协同过滤推荐方法。