随着互联网信息的全球流通和数字化、网络化和智能化设备的普及,社交网络的发展亦日新月异。其中,基于位置的社交网络（LBSN,location based social network）中的兴趣点（POI,Point-of-interest）推荐问题愈发受到广泛的关注。LBSN可以为用户提供实时的位置服务,方便用户记录他们感兴趣的位置并与朋友分享他们愉悦的生活经历。POI推荐通过挖掘分析用户的历史签入数据来进行位置推荐,它在大数据挖掘、人工智能等学术领域和商业推广和潜在用户筛选等商业领域发挥着重要作用,也在数据的稀疏性、隐性的用户反馈机制和用户偏好的个性化等方面面临挑战。为了充分挖掘LBSN中有价值的信息,使推荐的位置更能贴合用户的需求,本文充分利用用户签到数据中的位置、类别、时间、空间等信息,分别为个体用户和群组提出更合理的兴趣点推荐策略,提高了推荐精确率和用户的满意度。本文的主要工作包括两部分。第一,在个人推荐方面。本文提出了一种集成时间感知、类别过滤、空间约束和流行度吸引力的POI推荐模型（TDCF）,具体包括:（1）研究了时间在位置推荐中的影响,并为目标用户在一天中任意指定的时间点进行兴趣点推荐,采用融入用户相似度和时间相似度的方式进行平滑过滤计算从而对候选位置进行评分预测;研究了协同过滤中相似用户个数对于推荐结果的影响。（2）针对用户的签到记录不一定全都是积极的,即存在用户进行了签到但是评价很低的“噪声位置”这一现象,本文采用用户-类别-时间的三阶张量分解算法挖掘用户的类别偏好,从而过滤不属于用户偏好类别的位置,减少了“噪声位置”对于推荐结果的影响。（3）采用改进的空间约束的超文本诱导主题搜索（HITS）算法来计算兴趣点的流行度吸引力,并在地理空间上模拟用户的活动区域对候选位置进行了约束;采用加权的方式把时间感知模型和具有地理约束的流行度模型融合在一起;最后采用Foursquare中的两个数据集NYC和YK对本文提出的模型进行了实验对比和方案评估,结果表明相较于其他前沿算法,TDCF在精准率、召回率和F-measure值等评价指标上均有明显的提升。第二,在群组推荐方面。提出了一种基于群组类别特征和组内分歧的群组POI推荐方法（CFID）,具体包括:（1）研究了群组成员个数对于兴趣点推荐结果的影响,将群组按大小分为二人小组和多人小组,并针对两种不同的群组提出了不同的推荐策略。（2）区别于用推荐策略融合个人推荐结果的方法,本文并没有直接计算组内成员对于各个候选兴趣点的预测评分,而是将群组看作一个整体而不是松散的个体集合,综合考虑类别因素和时间因素的影响建立了群组特征偏好模型;此外,本文还融合组内成员的用户偏好模型对群组偏好模型进行补充。（3）分析了群组内所有成员及其好友对于候选位置的历史访问记录来计算群组对于候选位置的分歧度,同时考虑到了群组推荐的完整性和差异性。最后,提出了一种从个人签到数据中挖掘群组访问数据并划分训练集和测试集的方法,并在Foursquare中两个真实的个人数据集上模拟群组访问,解决了群组访问数据集稀缺的问题。同时,本文还与其他三种群组推荐算法在不同方向进行了对比实验并在所有的实验中均明显优于其他对比算法。