在位置社交网络中,用户可以主动签到并根据系统推荐寻找感兴趣的地点。然而极端稀疏的用户签到矩阵为兴趣点推荐带来了一些挑战。为了解决这些挑战,本文研究并设计一个基于排序学习的兴趣点推荐系统,主要工作如下:(1)提出了一个基于情感分析的兴趣点推荐算法,该算法综合考虑了兴趣点近邻,朋友分类关系以及流行度等上下文信息。通过数据分析和观察,研究了兴趣点近邻和分类朋友间的关系,发现其近邻往往对该兴趣点有弱相关性,特定类别的朋友比一般化的朋友相似度更高。此外,根据对用户的签到行为和评论的情感偏好分析,推断用户真实偏好,将隐式反馈转化为1-5评分。(2)对于没有评论信息的行为数据,本文提出了基于排序矩阵分解的兴趣点推荐算法(RankWFM)。具体来说,本文以推荐列表中,签到地点的排序位置比未签到地点高的概率最大化为目标,重新设计了目标函数,这使得未签到地点同样有助于算法的学习,有助于缓解稀疏性问题。此外,地理位置和商家分类作为先验知识,以权重的形式融入到权重矩阵分解中,整合了关键的上下文信息。实验结果表明,相比于没有排序优化的Geo-MF算法和PMF算法,RankWFM算法在推荐兴趣点的召回率和准确性指标同时获得了较大提升。(3)提出了一种基于深度提升森林的LambdaDF排序推荐算法。该算法以NDCG作为排序指标,通过集成多层树模型而组成深度网络,每一层网络以拟合Lambda残差为目标,进而学习用户和兴趣点的隐含偏好。此外,LambdaDF可以自动构造更细粒度的特征和学习层数,获得更强的隐式学习能力。通过在Foursquare数据集上的验证,LambdaDF算法比LambdaMart算法在NDCG指标上提升8%。(4)设计并实现了基于排序学习的兴趣点推荐系统。该系统包括数据存储模块,特征选择模块,候选集触发模块,机器学习重排序模块,效果评估模块等。该系统不仅有助于当地居民或游客去探索未知城市中一个有趣的地方,同时也帮助了商家发现和吸引潜在游客,获得增加收入的机会。