当前的兴趣点推荐方法大多利用兴趣点的位置信息和用户的社交关系提升推荐质量,但忽略了用户对兴趣点评论信息的重要性,实际上评论信息对用户做出选择至关重要;此外,现有方法推荐的兴趣点之间通常比较相似,彼此间不具有差异性和代表性。针对上述问题,本文首先融合了兴趣点的地理位置信息、用户社交关系以及兴趣点的用户评论文本,提出了一种新的兴趣点相关度评估模型,称为地理-社会-评论关系模型,并给出了一种新的评论文本相似度度量方法。根据兴趣点之间的地理-社会-评论相关度,提出了基于谱聚类的兴趣点聚类方法和基于概率密度估计的兴趣点典型化选取方法,以便从不同聚类中选取一个具有代表性的兴趣点。在此基础上,采用概率因子模型来拟合用户访问兴趣点次数矩阵,从而对典型化兴趣点进行个性化排序。实验结果表明,本文提出的地理-社会-评论关系模型对兴趣点的相关度评估更为合理,提供的推荐结果在多样性和准确率方面都取得了更好的效果。另外,针对传统文本相似度评估方法存在的文本向量维度大、数据稀疏、未考虑单词语义与文本语法等问题,本文提出了两种用户评论文本相似度评估方法:(1)基于WordNet与字符串匹配的短文本相似度计算方法(WN-SS),该方法融合了词汇间的字符串相似度和语义相似度,充分考虑了语义信息,并在一定程度上解决了单词误拼问题;(2)基于LU-CNN的短文本语义相似度计算方法,该方法融合词向量和卷积神经网络,通过对文本深度特征充分提取,解决了传统模型中丢失语义语法信息的问题。经实验测得,这两种算法与人工标注的结果更为相似,具有更高的准确性。该论文有图24幅,表16个,参考文献55篇。