随着定位技术和智能设备的发展,传统社交网络逐渐与地理位置服务融合到一起,形成基于位置的社交网络(Location-Based Social Network,LBSN)。其中,兴趣点推荐在基于位置的社交服务中发挥着越来越重要的作用。以前的研究工作倾向于从同一个用户访问的任意两个兴趣点之间的距离来捕捉地理影响,而忽略了两个关键事实:(1)用户通常在一个狭小的区域内(我们称之为本地活动区域)访问兴趣点;(2)用户访问的所有兴趣点不是同等重要,有些兴趣点会重复访问多次,而有些仅仅只访问一次。用户画像过程是根据用户社会属性、生活习惯和消费行为等信息建立用户模型。本文致力于从地理影响和相似好友两方面为用户画像并运用于兴趣点推荐算法中。在这篇论文中,我们的主要研究内容、贡献以及创新点如下:1)用户签到的本地探索性。在位置社交网络中,大部分用户通常只在某一个城市工作或者生活,也就是说他主要在某一个城市产生签到行为并探索新位置。对于这样的签到地理特性,本文提出了考虑用户细粒度时间和空间上的签到规律,挖掘地理影响对用户签到的影响,并将其应用于推荐策略。2)基于本地轨迹的兴趣点推荐。正如地理学第一定律所说的“任何东西与别的东西之间都是相关的,近处的东西比远处的东西相关性更强。”这意味着用户喜欢访问附近的位置,而不是遥远的位置,用户可能感兴趣的位置包围着用户喜欢的位置。用户的本地轨迹表现出了用户移动的基本规律以及对某些位置的特殊偏好,更有利于捕捉用户在该区域内的地理影响。基于用户的本地移动轨迹,我们提出了本地轨迹移动模型(LTMM)和相应的推荐算法。3)基于本地相似关系的兴趣点推荐。两个用户的本地活动区域越接近,则他们访问的的相同位置可能更多。本文提出了本地活动相似度(LAS)来计算用户之间的兴趣相似关系,它主要考虑用户的本地活动区域的相似度和用户之间的余弦相似度。随后我们基于用户本地轨迹的地理影响和本地相似关系,建立了一个协同兴趣点推荐框架LST,充分发挥了两者的优势。