近年来,伴随着使用内置GPS智能设备的用户的增长,基于位置的社交网络(Location-based Social Network,LBSN)得到了空前的发展,比如Foursquare和Gowalla等平台。对于用户来说,在这些网站上他们除了可以将自己喜欢的地点分享给其他用户,而且还能从其他用户那里发现大量他们可能感兴趣的兴趣点(Point-of-Interest,POI),从而能够鼓励和帮助他们去探索更多有趣的未知地点。对于平台上的服务提供商来说,可以从用户的历史签到信息中挖掘出他们的兴趣偏好,以便于向用户提供更加准确的推荐或者广告等。因此,基于位置社交网络的兴趣点推荐研究无论对于用户个人还是对于服务提供商来说都具有重要的意义。虽然现在基于位置的社交网络的兴趣点推荐得到了众多学者们的研究,但是其中大多都是对用户的访问偏好做出评分预测,而用户真正关心的是系统推荐的前若干个兴趣点的排名。所以,兴趣点推荐实际上是排序问题而非评分预测问题。本文在基于排序学习的基础上对基于位置的社交网络的兴趣点推荐进行了相应的研究,主要的研究内容与成果如下:1.为解决传统推荐方法对于缺失签到数据的利用不充分问题,本文通过对用户历史签到的空间分布进行研究,提出了一种基于地理影响和扩展配对排序的兴趣点推荐方法。该方法首先对用户签到信息进行聚类分析,获取用户的所有活动区域,并联合地理因素和签到频率构建用户偏好度量模型;其次根据活动区域提出一种扩展的配对排序学习框架,并联合偏好度量模型来进行兴趣点推荐;最后,在两个数据集上的实验可以看出本文提出的算法具有良好的推荐成果。2.为了解决传统矩阵分解模型在重构用户签到评分时,低评分维度会被高评分维度所补偿的问题,本文提出了一种基于上下文加权的非补偿排序兴趣点推荐方法。该方法首先通过协同过滤和自适应带宽的核密度估计分别挖掘社交关系和地理因素对用户签到的影响;其次提出非补偿矩阵分解模型,基于非补偿规则重构用户偏好,并将其与地理社交加权的贝叶斯个性化排序方法结合进行兴趣点推荐;最后,在两个数据集上的实验验证了本文提出的算法要优于对比的方法。