随着人工智能技术的发展,信息量的剧增,社交网络发展迅速,基于社交网络的兴趣点推荐成为新的研究方向,同时也面临许多的问题。兴趣点推荐存在用户签到矩阵稀疏、上下文信息不充分、冷启动以及排序列表中不同位置出现错误的代价问题。为缓解数据稀疏,挖掘上下文信息,从而提高推荐精度,本文提出融合社交信息与地理信息的矩阵分解模型和基于List MLE算法的列表级排序学习算法,包括:(1)为缓解矩阵稀疏,挖掘隐式反馈,选取并改进BPR(Bayesian Personalized Ranking)模型优化矩阵分解的过程。传统的BPR模型中将签到与未签到过的兴趣点作为偏序关系的生成策略,忽略了签到兴趣点之间的偏序关系,本文改进用户偏序关系定义方式,增加签到频率高低与评分高低作为偏序关系的生成策略,更准确的地拟合用户对于兴趣点的偏好数据。(2)为提升推荐精度,并缓解冷启动问题,选取社交关系并改进传统社交关系计算方式。传统的社交关系计算由用户相似度决定,本文通过融合并改进信任度的计算方式,探究用户之间社交关系的远近,衡量朋友用户对推荐结果的影响,设计基于社交关系的推荐模型。(3)为挖掘兴趣点推荐中用户偏好,融合地理位置信息作为提升推荐精度的方式。本文依据用户的地理位置生成地理信息的幂律分布,并最终通过线性加权将BPR模型与基于社交关系与地理信息的模型融合,最终为用户产生推荐结果。(4)针对位置社交网络下的数据稀疏与传统排序学习技术未考虑排序列表中不同位置排序出错的代价问题,本文选取列表级排序学习方法缓解数据稀疏并处理不均匀数据集,同时对比不同列表级排序学习算法损失函数的优缺点与算法复杂度,选取复杂度与损失函数属性较好的List MLE算法应用到兴趣点推荐中。根据List MLE算法的打分函数结构,将社交信息融入到打分函数的计算过程提高推荐精度,将代价敏感学习应用到打分函数中,赋予排序列表中兴趣点从前向后依次降低的权重,增加排序列表前半部分出错代价,降低排序列表后半部分出错的代价。实验结果表明,在Gowalla、Foursquare和Yelp真实数据集下,本文提出的算法在挖掘隐式反馈、提升推荐质量相对于基线兴趣点推荐算法有显著的提升,算法在准确率和召回率两个指标均优于传统的兴趣点推荐算法。