得益于移动设备的广泛普及和定位技术的飞速发展，许多基于位置的社交网络应运而生，如Foursquare，Gowalla，街旁，大众点评等等。一方面，在虚拟世界中，人们可以在基于位置的社交网络上分享自己的经历，产生了大量与位置有关的数据;而另一方面，在物理世界中，人们实时地通过线上网络信息为自身空间活动提供便利，能够从线上获得基于位置的线下服务。这些基于位置的社交媒体成为连接现实世界与虚拟世界的纽带。如何有效利用位置相关的线上信息为人们的线下活动提供便利是当前基于位置服务研究的主要内容。其中，帮助人们从海量的兴趣点(points of interest，POI)中发现他们没去过但可能感兴趣的位置，即POI推荐技术的研究占据重要的地位。　　POI推荐是一种数据敏感的技术。尽管POI签到总数量很庞大，但每个用户签到的POI的数量是有限的;同时，签到数据是一种隐式用户反馈，不能直接反映用户对项目的偏好。如何克服数据稀疏性和解决隐式数据反馈的问题是POI推荐面临的一大难题。而另一方面，虽然大量附加信息可以辅助POI推荐，但要充分利用多种附加信息需保证算法的可扩展性，这是POI推荐面临的又一大难题。　　针对POI推荐中存在的以上两个问题，本论文首先提出了一种基于矩阵分解的、融合时空信息的、具有可解释性和可扩展性的POI推荐模型。该推荐模型以实体特征空间分离的思想为基础，巧妙地将地理聚集现象、时间序列现象等附加信息以独立矩阵的形式建模在矩阵分解过程中。其次，本论文分析了两种目前十分流行的推荐目标函数（即带权最二乘目标函数和成对排序优化函数）的各自优劣，构建了一个以成对排序优化函数为主要优化项，带权最小二乘函数为约束项的目标函数，并借助随机梯度下降的思想完成了模型求解。最后，利用两个真实的签到数据集（分别来自Gowalla和Foursquare）验证本论文方法的推荐效果。结果表明，相较其他算法，本论文提出的推荐模型的推荐性能明显提高。提出的推荐框架本身，融入的地理信息、时间序列信息及优化求解方法均对推荐性能的提升起到了不同程度的积极作用。　　综上，本论文的主要成果为：1）本论文提出了一种融合时空信息的、具有可扩展性的、可解释性的推荐模型。2）构建了一种混合优化目标函数及求解方法。3）设计实验分析并验证了本论文推荐模型和优化求解对推荐性能的积极影响。