信息时代社交网络飞速发展,逐渐成为了人们生活不可或缺的一部分,加上全球定位系统(GPS)的广泛应用和用户对于兴趣点(point of interest)分享的需求,基于位置的社交网络(Location-based Social Network,简称LBSN)应运而生了。LBSN吸引了成千上万用户注册使用,因此在LBSN站点上积累了海量的社交数据和时空信息,这为兴趣点推荐提供了很好的数据支撑。通过对LBSN数据探索,我们发现用户的社会活动具有时效性,时效性分别体现在:签到频率、签到主题和社交影响,并且用户的活动决策受到地理因素和社交因素的影响。综上所诉,我们在论文中进行以下四点探索:(1)对用户的签到数据和社交数据进行四部分的数据分析,得出了用户在签到行为中表现出明显的时效性的结论,根据此结论将原始地理圈和社交圈划分为时效的地理圈和社交圈。(2)对以时效性的地理因素圈和社交圈为基础对多种地理和社交因素进一步的探索,包括:个性化偏好、距离亲近度、主题相似度、偏好相似度、权威度以及亲密度。论文根据相关研究结论和LBSN的时空和社交数据,得到了对以上因素提出科学合理的计算方法。(3)提出兴趣点推荐模型GSTS(Geographical,Social,Temporal and Spatial),在模型构建一共分为三步:矩阵拆解、矩阵分解和矩阵归并。首先根据时效区进行矩阵拆解,分为24个子矩阵。接着论文利用矩阵分解技术将用户-兴趣点签到矩阵分解为用户隐特征矩阵和兴趣点隐特征矩阵,具体的,将分解过程转化为优化过程,构造包含地理和社交因素的目标函数,使得分解的结果是符合地理和社交因素约束的结果。矩阵分解技术已经被广泛应用在推荐领域,并且推荐的结果证明了其提升了推荐性能。然后利用矩阵相乘得到最终的兴趣点预测矩阵,最后使用多种矩阵归并方法进行多时效区的兴趣点推荐。(4)在最后进行实现部分,基于LBSN真实数据集Foursquare进行实验,并采用准确率和召回率作为推荐系统性能的评价标准,实验分为四个部分,分别是:不同的权威度计算方法和矩阵归并策略下的推荐性能比较、不同的目标函数参数下的推荐性能、与其它兴趣点推荐方法比较以及与随机兴趣点推荐的比较。得到了准确的实验结果并进行对比,实验证明GSTS模型有效提升了兴趣点推荐的性能。