基于活动的社交网络(Event-based Social Networks,EBSN)将在线社交关系与线下同城活动结合在一起,推动用户线上和线下交互的融合。但EBSN上活动数量的增多也使用户面临着严重的信息过载问题,难以从中发现感兴趣的活动,而推荐系统正是缓解信息过载问题的有效手段。本文对利用个性化推荐算法实现同城活动推荐进行了研究,旨在进一步提高个性化同城活动推荐的效果。本文主要包含以下研究内容:(1)提出了一种基于潜在交叉影响关系学习的个性化同城活动推荐算法CCRL。CCRL算法发掘并利用了用户参与活动偏好与上下文信息之间潜在的交叉影响关系,基于协同上下文关系学习实现了对潜在交叉影响关系的学习并进行个性化同城活动推荐。在Meetup数据集上的对比实验表明该算法在多项指标上要优于现有算法。(2)提出了一种基于潜在收益关系学习的个性化同城活动推荐算法PCFM。影响用户参与活动行为的因素可区分为偏好因素和约束因素,构成用户参与活动潜在的收益关系。PCFM算法估计了活动举办地点和举办时间等约束因素对用户参与活动决策的影响,并提出偏好和约束因子模型融合上述因素并对用户参与活动行为进行建模,从而实现个性化同城活动推荐。在Meetup和豆瓣活动数据集上的实验均表明该算法有效提升了推荐效果。(3)提出了一种基于潜在竞争关系学习的个性化同城活动推荐算法LCRL。用户选择参与活动的决策过程可视为参与不同活动的收益竞争的过程。LCRL算法通过潜在竞争关系学习损失函数表示这一竞争过程,从而近似模拟用户决策过程并对用户参与活动偏好模型进行训练。在实际数据集上包含多项评估指标的实验验证了 LCRL算法的有效性。