近年来,随着移动设备的普及,基于位置的社交网络(Location-Based Social Network,LBSN)逐渐被人们广泛使用并成为一种新型的社交媒体。LBSN能够记录丰富的上下文信息,例如用户社交网络、POI地理位置、POI类别信息等,这无疑为个性化的POI(Point-of-Interest)推荐系统带来了巨大的发展机遇。但是如何建模这些上下文信息对用户签到行为的影响并将它们有效地融合成为了一大难点,另外签到数据的稀疏性也为POI推荐带来巨大的挑战。因此,本文提出一个基于矩阵分解的上下文感知推荐框架。具体地,本文试图从多个方面建模用户的签到行为。首先,本文使用用户签到数据(U)建模用户自身偏好,并考虑了POI类别信息(C)对用户自身偏好的影响;其次,POI的地理位置(G)对用户签到行为具有较大影响,用户更愿意访问那些距离近并且符合自身偏好的POI;为了进一步缓解签到数据的稀疏性,本文还结合了用户社交网络数据(S)来更好地拟合用户签到行为。最后,本文提出了一个通用的融合上下文信息的矩阵分解模型UCGSMF,它能有效地融合上下文信息,并且具有良好的可扩展性和较低的时间复杂度。此外,考虑到签到数据的局部性质(L),本文进一步提出了一个局部矩阵分解模型LUCGSMF,利用局部结构特征能够获得比原始矩阵分解更好的低秩近似。本文主要贡献如下:·用户签到行为建模通过对LBSN数据的分析,验证地理位置、社交网络、POI类别等上下文信息对POI推荐的积极效果,并从用户自身偏好、地理位置信息、社交网络信息等多方面建模用户签到行为,有效缓解了签到数据的稀疏性。·融合上下文信息的矩阵分解模型提出一个通用的融合上下文信息的矩阵分解模型UCGSMF。在拟合用户签到行为时,对用户访问过的POI和未访问过的POI采用不同的融合上下文信息策略,能更有效地拟合用户的兴趣偏好,并具有良好的可扩展性和较低的时间复杂度。·融合上下文信息的局部矩阵分解模型考虑到签到数据的局部性质,进一步提出了一个融合上下文信息的局部矩阵分解模型LUCGSMF,利用局部结构特征能够得到比原始矩阵分解更好的低秩近似,从而获得更高的推荐性能,并具备较好的分布式处理能力。