网络技术和定位技术的发展、智能移动设备的普及,促进了位置社交网络(Location-based Social Network,LBSN)的产生与发展。在LBSN中,用户可以与其他用户结交朋友,分享他们的访问的地点信息,这类地点通常被称为兴趣点。兴趣点推荐是位置社交网络中最重要的应用之一,可以帮助用户从海量的商家中发现自己感兴趣的、喜欢的商家;还能发现城市中感兴趣的、喜欢的地点、景点,有助于对城市的探索、生活;结交兴趣相投的朋友。兴趣点推荐可以帮助商家发现其潜在客户(可能对其感兴趣的用户),通过对潜在客户发放优惠券等方式实现精准营销,提升收入。另外,准确的推荐服务可以提高用户的满意度,增强用户的忠诚度。由于兴趣点推荐对用户、商家、LBSN具有巨大意义,引起了学术界的广泛关注。与传统推荐问题相比较,兴趣点推荐存在数据稀疏、用户冷启动、无显式数据等问题,并受到时间、地点等多方面因素影响。LBSN中的多源数据,如时间信息、地理位置信息、社交信息、内容信息等,为兴趣点推荐提供了新的思路。本文从结合LBSN中的多源数据入手,充分利用LBSN中的多源数据,提高兴趣点推荐的效果。本文首先对目前兴趣点推荐的国内外研究现状进行总结,简单介绍了当前推荐系统领域的基础算法与常用算法,分析了兴趣点推荐与传统推荐项目的区别,并总结兴趣点推荐的研究难点,分析得出可以通过LBSN中的多源数据提高兴趣点推荐的效果。本文对位置社交网络中基于多源数据的兴趣点推荐进行研究,在此基础上提出两种推荐算法,主要工作如下:1.提出一种多层联合概率矩阵法分解的兴趣点推荐方法。该方法首先用多层联合概率矩阵分解对多个矩阵进行同步分解,共享用户的潜在特征矩阵,从多个信息维度更加准确的对用户潜在特征进行估计;然后使用梯度提升决策树算法对特征和标签进行训练得到用户对兴趣点的偏好;最后使用考虑约束问题的top-N推荐策略产生推荐列表。在真实数据集上的实验结果表明,与目前较为流行的方法相比,本文提出的方法能在准确率、F1值上取得较好的结果,能更好的缓解位置服务中的冷启动问题,推高兴趣点推荐效果。2.提出基于时间特征和签到序列建模的兴趣点推荐算法。该方法结合时间信息与签到序列,使用词向量的方式对签到序列进行建模,学习得到兴趣点的向量表示,进一步计算得到用户的向量表示,然后采用多种相似度计算方式计算用户特征向量与兴趣点特征向量的相似度,以此衡量用户对兴趣点的偏好程度。最后在真实数据集上进行试验,与基准算法相比较,证明了该算法的有效性。