餐馆推荐可以利用用户的签到信息、时间上下文、地理上下文、餐馆属性信息以及用户的人口统计信息等发掘用户的饮食偏好,为用户生成餐馆推荐列表。但是目前大多数研究仍然存在以下问题:1)很难同时融合以上多种数据信息;2)冷启动问题,包括新用户和新项目;3)异地推荐问题,即当用户位置迁移到外地时,传统的协同过滤算法很难有效地推荐。为了解决以上问题,本文的研究内容如下:(1)为了更加有效地融合用户反馈和其他元数据信息,提出了一种融合多种数据信息的餐馆推荐模型(RRMIF),该模型首先基于签到信息和其他数据信息构建“用户-餐馆-时间片”的三维张量,若干用户相似关系矩阵以及餐馆相似关系矩阵;然后同时对张量和矩阵进行分解,并利用BPR优化准则和梯度下降算法进行模型求解;最后得到预测张量,从而为目标用户在不同时间片生成相应的餐馆推荐列表。(2)为了缓解冷启动问题,并对用户决策过程建模,提出了一种基于用户活动区域和社交网络传播的餐馆推荐模型(UAASN),该模型首先基于用户活动区域和历史签到定义三种类型餐馆,包括已签到餐馆,潜在签到餐馆,活动区域外餐馆,同时考虑好友和领域专家对用户偏好的影响,并且考虑已签到餐馆周边小区域作为用户活动子区域,提高签到周边餐馆的选择可能性,最后基于矩阵分解模型利用双重BPR优化准则构建误差函数,并通过梯度下降算法进行参数求解。(3)为了缓解异地推荐问题,提出了一种基于用户位置迁移的餐馆推荐模型(RRULM),该模型分别得到基于餐馆种类和社交好友的协同偏好,基于内容信息的主题偏好,基于区域聚类的口碑偏好,并利用逻辑回归有效地混合偏好,从而一定程度上提高了异地推荐的精度。(4)在提出的模型基础上,设计实现了一种基于多源信息和位置迁移的餐馆推荐系统,该系统针对不同场景融合不同策略进行推荐,并进一步利用用户显式反馈优化排序,具有一定的实用性。