随着基于位置的社交网络的普及,兴趣点推荐已经成为一项重要的任务,它需要学习用户的偏好和移动模式来推荐兴趣点。之前的研究表明,整合上下文信息如地理和时间的影响是必要的,进而改善兴趣点推荐系统。然而,现有的方法是基于兴趣点和用户之间的物理距离来建模地理影响,而忽略了时间因素的影响。本文对用户移动模式进行了研究,发现用户的签到发生在几个中心周围,这取决于它们当前的时间状态。本文的主要创新和改进有以下几点:(1)提出了一种新的上下文模型,该模型综合考虑了地理因素和时间信息;(2)提出了一种考虑不同时间状态下用户中心行为的时空活动中心模型;(3)提出了静态和时间的矩阵模型来研究用户在静态和时间上的偏好和行为。在静态矩阵分解中,在整个用户-兴趣点矩阵上训练模型,而在时间矩阵分解中,在每个时间中使用不同的用户-兴趣点矩阵训练模型;(4)本文还实现了可视化的联合时间因素和地理因素的兴趣点推荐系统。为了证明本文提出的方法的有效性,通过在Gowalla和Foursquare这两个数据集进行的多次实验表明,与多个对比算法相比,本文提出模型在统计上有显著的性能改进。同时,本文也证明了获取地理和时间信息对用户活动中心建模的有效性,以及对用户活动中心进行联合建模的重要性。