移动互联设备的普及极大地促进了基于位置的社交网络LBSN(Location-Based Social Networks)的发展。用户访问兴趣点时可以实时分享地点体验,分析用户与兴趣点的交互数据,能够为用户进行个性化兴趣点推荐。本文针对兴趣点推荐算法研究中存在的数据稀疏、信息挖掘不充分、推荐精度低的问题,融合时间、地理等多种兴趣点影响因素,提出了相应的解决方法。本文首先分析了兴趣点推荐算法的研究现状。针对兴趣点推荐时间信息挖掘不充分的问题,分析用户行为的时间非均匀性和时间连续性;分析兴趣点在不同时段的访问量,引入兴趣点时间流行特性,并将两者结合到兴趣点推荐中,探索用户行为的时间模式,提出融入时间影响因素的兴趣点推荐算法。其次,针对兴趣点推荐存在的数据稀疏问题,本文考虑用户的社交因素,地理位置因素,学习用户的个人偏好,生成兴趣点推荐列表,使用表中兴趣点对用户的原始签到矩阵进行扩充,提高矩阵密度。再次,针对推荐精度较低的问题,本文将社交影响因素和地理影响因素结合到兴趣点推荐中,将地理影响因素以预测的方式融入到原始矩阵分解方法中,将社交因素作为正则约束项,对矩阵分解的损失函数进行优化。然后融入时间影响因素,提出融合多影响因素的兴趣点推荐算法。最后,分别将本文提出的两种算法在真实的数据集上进行实验验证。结果表明两种算法能够有效提高推荐结果的准确性。