基于地理位置的社交网络允许用户通过签到服务分享他们感兴趣的地点(Point of interest,POI)。通过这样的服务,用户可以根据自己的社交关系以及自己所处的地理位置,获得更多有价值的建议。推荐系统在基于地理位置的社交网络中的发展已经非常成熟,并且已经应用在许多工业领域当中。但是之前的推荐系统的研究工作大多数都是关注在给用户推荐一个POI,而没有考虑给用户推荐一个区域。聚类是数据挖掘中很重要的一种技术,其目的是使同一类对象的相似度尽可能地大,不同类对象之间的相似度尽可能地小。在区域推荐中,对于区域的定义可以利用聚类算法来实现。本篇文章的主要贡献在于:(1)根据实际需求观察,提出了区域推荐的想法;(2)本文将聚类技术与传统的推荐技术相结合,实现了区域推荐的目的。首先我们利用K-means聚类算法进行区域聚类,之后在区域聚类的基础上结合基于用户偏好(U)的推荐算法,实现了基于K-means的区域聚类推荐算法。分析了 K-means的不足之后,我们提出了一种基于局部热点的聚类区域推荐算法,并且在该区域推荐算法中,通过加入地理位置因素(G)和社会因素(S)提高了区域推荐的准确性;(3)文章基于Singapore和San Francisco的用户签到数据比较了基于K-means聚类区域推荐和基于局部热点的聚类区域推荐在准确率、召回率和多样性等指标上的表现,同时分析了 U、S、G、US、UG、USG在基于局部热点聚类的区域推荐中的表现。