移动网络的普及和GPS技术的成熟使得基于位置的社交网络飞速发展,相较于传统社交网络,基于位置的社交网络中的用户在进行网络社交时能够标注自己的位置,以签到的方式向网络上的其他用户分享自己的动态。用户签到记录的大量累积为分析用户行为习惯、挖掘用户地点偏好提供了数据支持,地点推荐也成为基于位置的社交网络上的重要任务之一。地点推荐不仅可以向用户推荐他们可能感兴趣的地方,丰富用户的生活,也能为商家进行推广,带来更多消费者,然而由于地点推荐的环境比较复杂,用户行为受多种因素的影响、用户-地点签到矩阵稀疏、用户偏好挖掘不够充分等问题,因此研究地点推荐有着重要的理论和现实意义。本文的主要工作包括:(1)详细分析了地点推荐研究的国内外现状,对地点推荐的分类和相关理论技术进行了剖析,针对现有地点推荐算法中存在的不足,提出了本文的研究思路和研究内容。(2)在基于用户的协同过滤算法基础上,提出了用标准化的签到次数来表征用户对地点的偏好程度,根据用户签到活动的区域性特征,提出融合地理因素模型,将地理距离和区域性特征结合建模地理因素,提出一种融合模型UGR,并在Gowalla数据集上进行了实验,结果表明UGR算法可以有效的提高推荐结果的准确率和召回率。(3)地点类别是重要的地点信息,可以明确的反映地点的功能性,因此用户连续签到地点之间的相关性可以理解为连续签到地点类别之间的相关性,这可以避免直接使用地点的数据稀疏性问题。首先构建用户的地点类别相关性矩阵,使用矩阵分解算法计算地点类别对的相关性,然后结合用户偏好和地理因素提出一种类别感知模型CAR。在Foursquare数据集上的实验结果表明CAR算法有效提高了推荐结果的准确率和召回率。(4)在本文的研究基础上,设计并实现了一个基于类别感知的地点推荐原型系统,并阐述了系统的整体设计和各个功能模块。