随着互联网和移动终端应用的发展,现如今越来越多的人喜欢在移动社交网络上分享各类活动和信息。同时定位技术的发展、基于位置的社交网络(LBSNs)使得人们更容易在移动应用中分享自己的位置信息,如何为用户更加精确地推荐想去的地点如咖啡厅、游乐场、图书馆等兴趣点(即POI推荐)十分重要。与一般的物品推荐不同,时间、空间、社交等因素对POI推荐算法产生重要影响。如果不能充分考虑这些因素的影响,将影响POI推荐的精度。针对这个问题,本文首先引入了推荐系统中最成功的协同过滤技术,协同过滤应用于POI推荐是指通过用户访问POI点的记录,从而计算出用户间或POI间的相似度,进而基于相似用户或相似POI为用户推荐从未访问过的POI。其次本文考虑地理位置对访问POI点的影响,利用幂分布对POI间的距离建立模型进行拟合,同时用最小二乘法求出相应模型的相关系数,从而建立地理影响模型。然后,考虑时间对访问POI点的影响,考虑不同时间段对用户访问POI点的影响,探究了用户的历史访问时间点特性,同时考虑用户的相似用户的时间影响和用户历史的时间影响,建立时间影响模型。最后,提出一个基于协同过滤的同时考虑地理位置和时间影响的的算法框架,将用户习惯、地理影响和时间影响因素融合建立一个统一模型,从而进行更准确的推荐。本文利用Fousquare和Gowalla两个数据集进行实验,并与现有的优秀的POI推荐算法进行比较。实验结果表明,本文的基于协同过滤的考虑时空因素的算法相较于现有的POI推荐算法在准确率和召回率上有一定的提升。