随着基于位置社交网络(Location-based Social Networks,LBSNs)的发展,越来越多的用户习惯于在LBSNs上基于POI(Point of Interest)进行签到,来展现个人的历史轨迹和兴趣爱好,从而形成庞大的可供挖掘的签到数据资源,促进了 POI推荐研究的发展。考虑到签到数据的独特性,POI推荐面临着新的挑战,例如POI推荐的数据稀疏性问题;用户在外地的兴趣漂移问题;多维度上下文信息的建模问题;用户偏好的时效性问题等。针对这些问题,本文提出一种基于事务分布的POI推荐优化算法,来提高POI推荐效果、改善用户体验。首先,基于用户的两种角色,提出了适用于不同角色事务分布的用户群体划分方法。通过用户群体获取潜在的社会关系作为外部信息,缓解POI推荐的数据稀疏问题。该方法先对用户进行角色分配,将用户分为本地用户和外地用户。对具有稳定兴趣的本地用户,采用基于签到类别的事务分布进行群体划分。对于具有兴趣漂移现象的外地用户,采用基于LDA主题的事务分布进行群体划分。其次,提出了一种基于时间上下文的多维语义序列关联度计算模型,对签到序列行为进行多维的语义序列信息挖掘,提高推荐效果。一般的基于MGSP的语义关联度计算方法只使用语义上下文对关联度进行衡量,具有一定的局限性。本文创新性地提出了基于时间上下文的多维语义关联度计算模型,该模型以语义关联为载体,加入时间间隔的影响构建语义关联图,通过遍历语义关联图获取语义序列关联度。最后,在用户群体划分和语义序列关联度的获取的基础上,提出了一种POI推荐优化算法LSTM-S。该算法使用用户群体信息对不同角色的用户进行信息扩充,然后将语义序列关联度与用户的签到序列进行组合,输入一个增加了两个语义门的LSTM-S模型进行处理,得到不同POI的选择概率分布。LSTM-S模型能够在语义层次上建模用户的长短期偏好变化,解决了用户偏好的时效性问题。在真实数据集上的实验结果表明,用户群体划分方法、多维语义序列关联度计算方法以及在此基础上的POI推荐优化算法LSTM-S都分别对POI推荐的性能带来了提升。