个性化的地点推荐成为近年来推荐领域中的研究热点。虽然一些学者已对地点推荐展开了相关的研究,并取得了相应的研究成果,但仍然存在一些问题:一是对于隐式反馈用户偏好的用户地点签到数据,大部分的方法是直接将其看作是显示评分数据来构建用户地点评分矩阵。二是在构建用户模型时,大部分的方法采用高斯分布对用户签到数据建模,但因为签到数据的倾斜性,高斯分布并不适合对签到数据建模。三是部分学者虽然意识到地理因素对不同用户的影响程度不同,但未能意识到在签到密度不同的区域,应该使用不同的分析尺度。因此,本文针对上述问题,在现有工作的基础上,借鉴信息熵和信任机制的原理,研究基于信息熵和信任机制的个性化地点推荐算法。本文的主要工作和贡献如下:(1)针对用户地点签到数据的严重倾斜性,借鉴信息熵的概念与原理,定义地点信息,将用户地点签到数据归一化成能反映用户偏好的用户地点信息数据。在用户地点信息数据基础上,使用泊松分布对用户地点信息数据进行建模,并融入地点重要性来改善算法的推荐性能,改善基于信息熵的个性化地点推荐算法性能。(2)引入信任机制,改善基于信任机制的个性化地点推荐算法,缓解冷启动问题。最后使用层叠混合推荐方法将基于信息熵的个性化地点推荐算法与基于信任机制的个性化地点推荐算法组合成基于信息熵与信任机制的个性化地点推荐算法,并融入地理影响力,给出最终的地点推荐列表,改善算法推荐性能。