近年来,随着互联网技术的高速发展和移动设备的日益普及,基于位置的社交网络(Location-Based Social Network,LBSN)服务逐渐兴起。用户通过LBSN服务提供的“签到”行为探索他们喜欢的兴趣点(Point-of-Interest,POI),例如图书馆、餐厅等。个性化兴趣点推荐服务旨在通过签到行为数据来挖掘用户的偏好,帮助用户探索新的兴趣点,以此来提高基于位置的社交网络服务体验。然而,现有的兴趣点推荐系统面临着原始数据稀疏、用户行为缺少负反馈并受多种上下文信息影响等问题。本文针对以上问题展开研究,深入分析用户行为的影响因素,并对两类不同的应用场景提出相应的推荐算法。本文的主要工作体现在如下方面:(1)为了精确捕获用户的行为特征,本文使用异构信息网络(Heterogeneous Information Network,HIN)来建模LBSN中的复杂关系,设计并使用元路径来表示不同的用户行为语义。此外,本文通过分析建模用户签到行为的上下文影响因素来提高兴趣点推荐系统的精度和可解释性。(2)针对一般场景的兴趣点推荐问题,本文提出一种基于用户行为语义的兴趣点推荐算法。该算法首先使用基于元路径的计数关联度构建用户-兴趣点语义关联度矩阵。其次,在加权矩阵分解模型中考虑地理位置距离的影响,从多条元路径产生的用户-兴趣点语义关联度矩阵中获取用户语义偏好。最后,针对用户行为隐式反馈的问题,提出一个基于排序学习的融合方法,将不同元路径求得的用户语义偏好统一起来作为最终偏好来给用户推荐兴趣点。实验结果表明,该算法相较于其它现有的兴趣点推荐算法有更好的推荐效果。(3)针对特定上下文情境下的兴趣点推荐问题,本文提出一种上下文感知的兴趣点推荐算法。该算法首先提出基于元路径的双向影响语义关联度来提取用户行为语义特征,并通过上下文平滑方法缓解数据稀疏问题。其次,基于考虑上下文流行度的加权随机采样方法构建训练样本,并通过因子分解机模型融合不同的特征,进而预测用户偏好。实验结果表明,该算法能有效感知特定上下文情境下的用户行为偏好,从而为用户推荐合适的兴趣点。