基于地理位置的社交网络随着互联网技术的发展而逐渐被人们所接受,其提供了发布即时消息、与他人分享定位等功能,形成了更加具有现场感的线上社交圈。庞大的用户量和互动信息为海量数据的提取和挖掘奠定了基础,因此吸引了不少学者的关注。但这不仅是给业界学者的研究提供了一个良好契机,同时更是带来了大数据时代背景下的一个具有现实意义的挑战。其中,兴趣点推荐算法以其应用的广泛性和使用的便捷性,在基于地理位置的社交网络的相关研究中保持着一定的热度,它旨在通过用户的历史签到记录,预测用户未来可能访问的兴趣点。本文根据现有兴趣点推荐工作中存在的用户偏好观察角度比较单一、人群对用户行为而言在时间统计上的影响被忽略等局限性,提出一种基于张量和矩阵联合分解的兴趣点推荐算法。在所提出的算法中,我们首先以兴趣点类别模拟用户的认知过程,然后在基础张量分解模型上加入长期偏好矩阵和群体影响矩阵,预测用户可能喜欢的兴趣点类别,最后利用加权核密度估计函数进行过滤得到具体的兴趣点推荐结果。在真实数据集上的实验结果表明:与主流的兴趣点推荐算法MF-URT,CTF-ARA和TAD-FPMC-HitsGroupDist相比,在New York City数据集上,新算法的推荐准确率分别提高了约114%-151%,596%-679%和303%-600%;在Tokyo数据集上,新算法的推荐准确率分别提高了约455%-479%,484%-498%,112%-155%。