随着移动网络的发展,智能手机和GPS位置服务的普及,位置社交网络(LBSN,location-based social network)也逐渐融入人们的日常生活,用户可以在LBSN中分享自己访问过的地点。LBSN的推广以及包含的海量信息促使着基于LBSN的地点推荐服务的发展。向用户推荐他们可能感兴趣的地点可以帮助用户获得更好的服务体验,帮助地点商业地点把握用户动向。因此本文针对地点推荐进行相关研究。在LBSN中,传统的推荐算法对于地点推荐来说是具有明显的不足的,因为用户的行为往往受到很多复杂的影响因素,因此需要考虑如何将位置社交网络中的诸多信息应用起来,例如社交关系,地理信息,用户兴趣等等,同时在较大的数据量下,还要保证一定的响应速度。而这些都是传统的推荐算法无法解决或者不能有效解决的地方。针对这些问题,本文利用位置社交网络中丰富的社交关系,签到记录和位置信息,进行了地点推荐的相关研究,主要工作包括:(1)提出基于社交关系和信任行为的推荐算法,通过融合社交亲密度和基于行为的信任度,以及幂律下的距离影响力,给出地点推荐;(2)给出基于时空信息和潜在主题的地点推荐,通过研究用户的签到地点分类和用户的时间空间偏好,利用概率主题模型给出地点推荐;(3)给出基于群组发现的地点推荐,利用用户的社交关系信息,兴趣偏好,位置签到数据等不同信息分别进行聚类,从而获得不同的群组,并利用用户所属群组的相关信息来获得快速的推荐;(4)设计和实现基于位置社交信息和群组的原型系统,联合推荐算法的相关模块,并对不同位置和状态下的用户给出不同算法下的地点推荐。本文在Foursquare和Gowalla提供的若干数据集上进行实验,并和其他相关的算法进行了对比。实验表明,本文提出的地点推荐算法,具有较好的效果,可以为用户提供更快更准确的推荐服务。