如今随着科技的发展与网络的普及,用户之间可以方便快捷地分享信息,如文字、图片、视频以及地理位置等。然而,随着用户的增加,社交网络中已经累积了庞大的信息,用户越来越难以从大量的数据中选择出自己感兴趣的内容。由于每个用户都有着不同的选择偏好,他们对同一个信息可能有着不同的评价。因此,个性化的推荐算法的研究逐渐步入人们的视线,找到每个用户的兴趣偏好,并为他们提供针对性的推荐选择,是当前数据挖掘领域的重点研究方向。目前,关于LBSN(Location-based Social Network)的推荐研究一般包括以下四个方面:好友推荐、位置推荐、社交推荐以及活动推荐。其中,关于位置推荐算法的研究是该方向的重点.位置推荐服务通常会挖掘用户的签到记录、地点信息以及用户的社交关系,从而推荐一份用户最可能在未来签到的地点列表。目前有许多关于位置推荐服务的研究,但是考虑时间因素对推荐位置的影响的研究还不算太多。时间因素在位置推荐中扮演了一个十分重要的角色,因为人们倾向于在一天中不同的时间去访问不同的地点,例如:用户有较大的概率在中午选择去餐馆吃饭,晚上选择去健身房锻炼。更进一步,人们通常倾向于访问附近的地点,例如,用户晚饭后可能选择去附近的公园散步。因此,地理因素在位置推荐中也具有重要作用。本文对位置推荐算法进行了深入的研究,探讨了与推荐系统相关的算法,并在兴趣点(Point of Interest,POI)协同推荐算法的基础上,提出了一种考虑时间因素的改进算法。具体的改进方式是在解决矩阵稀疏问题时采用不同的方法。考虑时间因素后,处理的数据由以前的二维数据变为了三维数据,必然伴随着矩阵稀疏的问题。相关学者[48]在解决此问题时,用相邻时间槽的签到数据来平滑当前时间槽,但相邻的时间槽并不一定就是最相似的时间槽。因此,本文首先计算出各时间槽最相似的top-n个时间槽,再将最相似的top-n个时间槽用于平滑,以解决矩阵稀疏的问题。此外,本文通过线性加权方式,将时间因素和地理因素融合于推荐算法中。最后,搭建Spark分布式计算集群,在真实数据集上进行实验,并采用科学的标准进行评估,实验结果表明本文所提出的算法在一定程度上优于基准算法。