随着智能移动终端的普及,社交网络与定位服务的快速兴起,基于位置的社交网络(LBSN)得到了迅猛的发展。同时,随着信息技术和互联网的快速发展,各种信息蜂拥而来,让我们应接不暇,面对信息的严重过载,用户很难快速定位到自己想要的信息资源,个性化推荐技术能够快速帮助用户定位到自己喜欢的和感兴趣的项目,使得用户能够节省更多的时间在搜索上面。在基于位置的社交网络中,位置推荐是一个比较新型的研究课题,然而用户的签到次数的稀疏性问题严重影响了推荐的准确度,新用户的加入以及新地点的加入也是推荐面临的一大难题,最后伴随着大数据时代的到来,单机的计算也远远不能满足现在大数据量的要求。本文就位置推荐的相关问题进行了深入的探讨与研究,具体有以下几点内容。1.在研究标签传播社区发现算法基础上,设计了基于全局中心点的Mapreduce标签传播算法。在该算法中考虑了社区发现的稳定性问题,通过与经典的社区发现算法对比,社区结构划分稳定性得到了提高,而且在面临社区发现的大数据量问题时,本论文通过Mapreduce编程模型来实现该算法,提高了数据的可扩展性和计算效率。2.将基于全局中心点的社区发现算法融合了协同过滤推荐算法。即在社区发现的基础上,将社区因素考虑在内,使得划分出的社区用户在兴趣上具有相似性,缓解了新用户冷启动问题。另外在传统的协同过滤算法中,社区中用户对地点没有进行评分,会对最终的用户地点评分产生影响。本文通过结合用户对地点的签到次数来进行用户地点评分,并且提出了一种用户地点评分的填充方法,缓解了推荐过程中数据稀疏性问题。