为了使兴趣点推荐越来越智能化,增加人们对推荐结果的满意度,越来越多的学者对兴趣点推荐算法进行了研究。现有的兴趣点推荐算法,由于没有全面考虑影响用户评分的因素,使得在分析用户对兴趣点的喜爱程度时存在偏差.更重要的是大多数学者都没有对用户的评价进行分析。由于用户的评价内容能够反映用户喜欢的兴趣点特征,所以忽略用户的评价内容,不利于分析用户喜欢的兴趣特征,而且会影响推荐的结果。针对此现状,本文对好友的评价内容进行情感分析,分析出用户喜欢的兴趣点特征,并提出了基于好友评价的分值预测算法。根据影响因素的类型对用户评分进行建模,减小评分的偏差。通过将评分和评价进行融合,提出了一种融合好友评分和评价的兴趣点推荐算法,为用户推荐未去过且可能有较高意愿的兴趣点,具体工作如下:一、提出了一种基于好友评价的分值预测算法。由于用户签到的随机性,本文通过地点信息熵来筛选用户的兴趣好友。通过将兴趣好友的兴趣点集合与用户的进行对比,筛选出时间阈值内好友可能为用户推荐的兴趣点。通过分词技术对好友的评价进行分词处理,利用主题模型的思想,对评价内容由特征词到特征面的情感分析,考虑了好友对兴趣点特征面的关注度,对好友的评价内容进行建模,分析出好友喜欢的兴趣点特征,计算出好友评价的预测分值。二、提出了一种基于好友相对评分的兴趣点推荐算法。本文针对影响好友评分的因素进行分析,对好友的评分进行建模,得出对应分值,以减小评分偏差对推荐结果的影响。通过融合参数将评分的对应分值和评价的预测分值进行融合,得到融合分值。通过基于相遇思想的兴趣点推荐概率算法,计算出兴趣点被推荐的概率。将融合分值与推荐概率的积作为相对评分,根据相对评分的大小进行排序,最终形成了一种融合评分和评价的兴趣点推荐算法。在准确率和召回率上,将本文算法与其它基于评分和评价的算法进行对比,实验结果显示本文算法性能较优。所以本文提出的基于好友评分和评价的兴趣点推荐算法,能够较好的分析用户喜欢的兴趣点及其特征,能够为用户推荐可能喜欢且未去过的兴趣点,能够较好的满足用户对兴趣点的需求。