近年来,随着移动互联网的快速发展,基于位置的服务(Location-Based Service,简称LBS)得到了广大用户的青睐。通过LBS应用,用户可以在兴趣点(Point of Interest,简称POI)签到、评论和分享内容。然而,随着LBS应用的发展,如何从海量数据中迅速、准确地获取符合用户偏好的兴趣点信息,已成为兴趣点服务商和用户共同关注的主要问题之一。本文研究了基于用户偏好的组合兴趣点推荐方法,主要工作如下:1.针对现有的兴趣点查询方法没有考虑用户偏好和最佳访问时间的问题,本文提出了基于多关键字和用户偏好的组合兴趣点查询方法。首先,给出了一种面向集合的关键字偏好查询(Collective Keywords Preference Query,简称CKPQ)问题,旨在找到一组覆盖所有查询关键字、满足用户偏好并具有较高可访问性的兴趣点。然后,针对CKPQ问题,设计了一个成本函数来计算候选组合兴趣点的访问成本。最后,提出了一种基于IR树的高效查询算法,通过两个剪枝策略不断缩小查询空间,以提高查询算法的效率。2.针对用户兴趣的多样性问题,本文提出了基于兴趣点相似度和个性化转移概率的组合兴趣点推荐方法。实际上,用户对一个兴趣点的偏好会受到许多因素的影响,本文设计了一种基于评分预测模型的初始兴趣点推荐方法,同时考虑了用户所在位置、上下文信息(如时间、地理位置等)和兴趣点流行度对用户偏好的影响。基于初始兴趣点,进一步提出了基于个性化转移概率的下一个兴趣点推荐方法。该方法结合轨迹相似近邻和时间上下文信息为每个用户构建转移概率矩阵,并通过评分预测模型得到下一个兴趣点,最后将其和初始兴趣点一同推荐给用户。3.本文使用真实的数据来验证提出的两个方法。针对基于兴趣点相似度和个性化转移概率的组合兴趣点推荐方法,利用从Yelp提取的多伦多市的22389名用户对26520个兴趣点的签到数据进行了大量的实验,结果证明本文方法在运行效率和查询结果上的有效性。针对基于兴趣点相似度和个性化转移概率的组合兴趣点推荐方法,从Foursquare提取了旧金山市的938名用户对1463个兴趣点的签到信息并进行了实验,结果表明本文方法比对比方法具有更高的准确率。