随着大数据时代的到来,利用大数据技术对大学生群体的研究越来越多,且智能移动终端在大学校园内的迅速普及,使得大学校园积累了大量基于位置的社交网络(Location-Based Social Networks,LBSNs)数据,为学生行为分析提供了客观条件。文中使用学生WiFi签到数据集进行兴趣点(Point-of-interest,POI)推荐,提出基于校园地理信息的Logistic矩阵分解(Campus Geographic Information based Logistic Matrix Factorization,CGLMF)POI推荐算法和密集数据矩阵分解嵌入(Matrix Factorization Embedding for Dense Data,MFED)算法在校园真实数据集进行实验,并将算法的实验效果在校园WiFi签到数据分析系统进行可视化分析。具体来说,本文主要贡献如下:(1)本文基于校园地理模型和融合地理信息的POI推荐算法提出基于校园地理信息的Logistic矩阵分解(CGLMF)POI推荐算法,该算法利用学生个人信息和校园地理信息,通过考虑学生的主要活动区域和该区域每个POI的相关性,然后将地理信息模型融合到Logistic矩阵分解中以此提高POI推荐性能。(2)依据现存兴趣点POI神经网络个性化嵌入算法和校园学生WiFi签到数据集特点提出密集数据矩阵分解嵌入(MFED)算法,该算法将数据集中学生u对POI_i个人偏好和兴趣点POI相互之间关系嵌入到神经网络中实现较为准确的个性化兴趣点POI推荐。(3)利用校园GIS地图设计校园WiFi签到数据分析系统进行可视化分析,从设计概述、系统需求分析,到系统功能实现。系统针对一般用户性统计和行为数据中用户移动性分析与建模设计不同的图表来展示数据特点和推荐结果,重点是针对两个兴趣点POI推荐算法效果的可视化。