随着智能终端的普及和位置社交网络的迅猛发展,人们每天都会产生大量带有地理标记信息的签到内容,但也产生了信息过载的问题。这些多源异构数据蕴涵着丰富的用户行为与个性化需求信息,使得地点推荐研究受到国内外学者的广泛关注。用户签到行为作为连接线上和线下世界的直接渠道,帮助发展了许多个性化的定位信息服务,因此精确且个性化的地点推荐显得格外重要。然而相比于商品推荐系统,用户签到过的地点相对过少,数据更为稀疏,可扩展性有限。本文对用户签到数据的特征属性进行分析,利用卷积神经网络和排序学习模型,对位置社交网络的地点推荐算法展开了深入探讨。首先探究了时间和空间特征影响下的地点推荐算法。首先通过从时间和空间层面对用户签到进行分析,对用户行为与时间和空间因素的关联进行研究;其次利用卷积神经网络构建地点的时间和空间特征表示,捕捉用户对地点的喜好,提升地点预测的准确度。接着探究了综合信任关系及评论文本的地点推荐算法。首先通过结合社交网络的信任关系,计算用户之间的信任度;其次将评论文本的主题信息影响融入相似度计算中,得到评论文本的相似度;最后提出了融合信任度与相似度的列表级排序学习模型,改善地点推荐列表的质量。本文利用卷积神经网络和排序学习模型挖掘用户签到和社交关系来提升推荐质量,有效地改善了位置社交网络的用户体验。地点推荐不仅有助于本地居民和游客探索城市中未知的有趣的地点,带来便捷舒适的生活体验;同时有助于商家发现和吸引潜在客户群,获得提升收益的机会。