随着移动互联网技术的蓬勃发展,位置获取变得越来越方便,位置信息从根本上增强了传统的社交网络服务,导致了一个新的社交网络的产生,称之为基于位置的社交网络。近年来,随着基于位置的社交网络的快速发展,其包含的数据有了爆发式的增长。将推荐技术运用到基于位置的社交网络中,逐渐受到学者们的关注,并迅速成为了一个热点的研究领域。本文主要研究兴趣点推荐和用户推荐,通过充分利用基于位置的社交网络中的时间、空间、社交以及历史等信息,针对这两种推荐提出了相应的推荐方法。本文的主要研究工作如下:(1)分析了推荐技术在基于位置的社交网络中的研究现状,探讨了典型算法的研究思路和优劣,为后续的研究工作提供了理论基础。(2)针对兴趣点推荐效果受用户行为影响的现象,本文对时间、历史、社交以及空间等维度对用户的影响力进行分析,最终综合考虑这些维度对用户行为的影响,提出了一种多维度融合的兴趣点推荐方法。(3)针对商家希望获取潜在用户的需求,本文对用户的偏好进行建模,阐述了如何利用提出的空间-偏好反向k Ranks查询方法进行用户推荐。而用户的需求是随着时间而变化的,因此本文利用基于树的剪枝算法对空间-偏好反向k Ranks查询方法进行改进,避免了不必要的计算,提升了推荐速度,从而能够把握用户的实时需求。最终,本文以基于树的剪枝算法为核心,提出了一种改进的空间-偏好反向k Ranks用户推荐方法。本文从真实的基于位置的社交网络Foursquare,Gowalla,Brightkite上获取了数据集。在这些数据集上,本文将提出的方法与目前较为先进的方法进行对比,本文的方法在准确率,召回率以及时间上均表现出最好的效,表明本文的方法行之有效。