随着大数据技术的快速发展和智能移动设备的多样化,获取用户地理位置信息愈加便捷,基于位置的社交网络(Location Based Social Networks,LBSN)正变得越来越成熟,并且已经积累了大量用户签到数据。兴趣点(Point of Interest,POI)推荐是解决信息过载问题及实现个性化位置信息服务的有效方法之一,它综合考虑用户历史签到记录的频次、时间、地理位置、社交关系、序列特征等因素,个性化地为用户推荐具有偏好特征的兴趣点。然而,已有兴趣点推荐工作在用户偏好建模、用户行为分析等方面存在诸多不足,例如,基于访问频次的用户偏好模型不够准确,用户关系的偏好模型及其影响分析粒度较粗,用户转移行为建模层次较低、偏好建模不明确等问题,本文围绕上述问题展开研究,开展了如下两方面的工作:(1)针对兴趣点地理位置对推荐系统的影响和用户偏好建模问题,提出了基于距离熵的地理位置偏好模型,并通过兴趣点地理位置分布特征和矩阵分解方法对用户进行兴趣点推荐。在该方法中,基于熵的基本概念,采用距离熵概念来刻画用户对不同地理位置的兴趣点的偏好,以提高较远兴趣点的偏好权重。距离熵用于改进用户-兴趣点评分矩阵的计算方法,并作为矩阵分解方法的输入。在此基础上,融合了基于多中心点高斯分布的兴趣点地理位置分布模型,进行综合评分和推荐。(2)针对用户社交关系的细粒度建模及社交关系对推荐系统产生的影响,提出了基于用户关系兴趣矩阵的社交关系偏好模型,并通过联合分解模型为用户推荐兴趣点。在该方法中,构建了用户关系兴趣矩阵及其隐语义分解模型,用于表达各个社交关系对不同隐语义下兴趣点的偏好,即基于隐语义对用户社交关系进行了更为细粒度的建模。在实现层面,我们将用户对兴趣点的偏好和用户关系对兴趣点的偏好进行联合求解,综合改进优化目标,保障子问题的一致性。在上述两项研究工作中,我们均使用基于位置的社交网络应用中所积累的真实签到记录数据开展了大量的实验研究,包括选取合理的传统兴趣点推荐方法作为基准方法与所提出方法进行了对比、对各个方法的参数敏感性进行实验分析等。实验结果表明,本文所提出的各个方法对比其他方法在相同数据集下均有比较好的效果。