随着互联网和定位技术的发展,在传统社交网络的基础上,涌现出了许多位置社交网络。位置社交网络中存在大量的用户数据和位置信息,产生了众多基于位置的服务,位置推荐就是其中的典型代表。位置社交网络上将这种带有服务属性的位置称为兴趣点。兴趣点推荐可以帮助用户发现感兴趣的地点,提高用户生活质量。访问兴趣点的行为受到用户当前状态影响,同时与最近一段时间内访问的兴趣点相关。这种注重用户当前状态,推荐结果有较强时间约束,并且希望推荐的兴趣点在接下来的一段时间被访问的推荐问题称为下一个兴趣点推荐。下一个兴趣点推荐问题中,类别因素对推荐结果影响较大。现有的方法没有对类别进行预测。考虑类别时忽略了时间与类别的关系,缺少非个性化的影响,并且多种环境因素没有很好地利用。因此本文将下一个兴趣点推荐问题分为两部分,先预测类别,再推荐具体兴趣点,提出了一种基于类别预测的下一个兴趣点推荐算法。本文通过用户历史签到数据,采用张量分解和贝叶斯个性化排序,设计了个性化和非个性化结合的类别预测算法。在类别预测的基础上,结合多种环境因素,设计了两种下一个兴趣点推荐算法。第一种主要考虑地理因素和兴趣点流行度对兴趣点推荐的影响。第二种方法中,我们结合类别预测值,在地理影响的基础上,设计了基于潜在行为的下一个兴趣点推荐算法。同时根据类别预测值,改进了现有推荐列表的组成形式。在真实的数据集上,对本文提出的算法进行验证。实验结果表明,本文提出的类别预测算法和下一个兴趣点推荐算法在召回率和准确率下,相比于现有典型算法均有所提升。