移动互联网的高速发展和快速普及使人们养成了随时随地上网的习惯,4G技术的快速发展和应用更是使这种上网习惯得到巩固和加强,这也催生出了一种新的互联网商业模式:基于位置的社交网络服务。基于位置的社交网络服务提供商给用户在社交平台上提供签到服务,这也是一种位置共享服务,当一个社交网络用户发布自己位置后,该用户的好友可以在社交平台上看到这个位置及这个位置所代表的商家,好友的消费决策会因此产生一定的改变。正是由于这个原因,当社交网络服务提供商收集到足够多的签到数据后就可以利用个人偏好和好友关系对用户进行位置推荐。当前的位置推荐算法主要是结合用户的签到位置和签到时间使用协同过滤推荐方法为用户推荐感兴趣的地点,然而在对签到点进行聚类时使用的密度聚类方法大多时间复杂度很高,对时间维度的处理也比较粗略,因此本文在运行速度和推荐准确度两个方面对传统的兴趣点推荐算法进行改进。首先,本文引入网格划分思想对DBCSAN密度聚类算法进行改进,使聚类的对象不再是单个的签到点,而是一个个包含很多签到点的网格,每个网格在装入签到点之后即判断其是不是稠密网格,这样以来大大减少了判断一个聚类对象是否是稠密签到点的时间,而且使聚类对象的遍历数量得到了很大的缩减。在对时间维度的处理方面,本文按照人们的生活工作时间规律将时间维度划分为若干个时间段然后进行聚类,而不是按照传统的连续时间聚类,这种改进使推荐算法计算出的用户相似度更准确。最后本文采用MapReduce对基于网格的聚类算法进行改进,从而进一步提高推荐算法的运行速度。通过将传统的兴趣点推荐算法、改进后的基于网格的兴趣点推荐算法和基于MapReduce的兴趣点推荐算法进行实验对比,证明了本文的改进使推荐速度和推荐精度两个方面都有所提升。