随着移动终端业务的飞速发展,基于位置的服务已经成为移动互联网行业最核心的基础服务之一。在当前大数据环境下,如何在基于位置的社交网络(Location-based Social Network,LBSN)中多维度地建立人地关系,对地理位置相关的用户以及人群、区域地点等进行研究,将对商业活动形成重要参考价值。现有的研究中,运用LBSN为用户作个性化推荐已相对成熟。但网络社交的兴盛使得人们参与群体活动越来越方便,如何从海量信息中提取出有效信息,根据群体偏好为群体中的每个人推荐共同的、合理的兴趣点,是推荐技术的下一个目标,群体推荐技术由此产生。群体推荐技术建立在个性化推荐的基础之上,在LBSN个性化地点推荐中的签到数据不包含项目直接评分,因此,本文对用户评分策略进行了改进。而个体推荐列表转换为群体推荐的过程中,涉及到聚合策略的问题,本文对签到数据中的内在关联进行分析,用于改进群体推荐系统中的聚合策略。具体研究工作包括以下三个方面的内容:(1)采用聚类算法为用户建立模型,并根据模型计算用户相似度。在基于用户的协同过滤技术中,根据最近邻居的评分可获得用户对未评价项目的预测评分,而LBSN提供的数据中并没有直接给出相应评分,所以本文借鉴了文本检索思想改进了评分策略。通过改进的评分策略与传统的评分策略进行实验对比分析,验证了改进的评分策略的有效性。(2)获得单个用户评分矩阵后,需要对其进行聚合以形成群体评分。现有的两种聚合方式为聚合个体推荐法和聚合个体偏好模型法,无论哪种都需要相应的聚合策略。现有的策略中,平均策略运用最广泛,但缺乏动态过程,本文采用改进的加权平均策略。在对个体用户进行加权时,需要考虑用户在群体中的影响力以及其提供的信息量,深入分析这两方面的问题,引入基于用户群聚度与活跃度的加权方法,为用户进行加权并获得群体项目评分,进行最后的群体兴趣点推荐。将改进的加权聚合策略与传统的聚合策略进行实验对比,验证了改进的聚合策略可提高推荐质量。