伴着Web2.0技术和GPS信息统筹技术的飞速发展,在传统的社交网络基础上衍生出基于位置的社交网络(Location-Based Social Networks,LBSN),作为基于位置社交网络中核心组成部分的兴趣点(Point-of-Interest,POI)推荐引起了国内外科研人员的广泛关注。当前大多数兴趣点推荐算法仅通过用户间共同访问项(即兴趣点)去计算用户间相似度,由于数据高稀疏性,从而造成兴趣点推荐结果不准确。为解决上述问题本文基于位置社交网络上的签到用户数据,提出了一种基于位置社交网络融合多种情景信息的兴趣点推荐方法。将社交网络转换朋友集,基于用户和兴趣点倒查表法建立用户兴趣信息模型,减少兴趣点推荐的运行时间,提高了推荐效率。采用LDA模型对用户的情感进行建模,计算用户评论的主题概率分布,挖掘出用户在情感倾向方面的相似度。分析地理影响信息,建立地理影响信息模型,计算地理信息访问概率。通过对用户的多种情景信息的挖掘,较好地解决了基于位置社交网络研究中利用多种情景信息进行兴趣点推荐的问题。实验结果表明,本文提出的基于位置社交网络融合多种情景信息的兴趣点推荐方法,能够提高推荐的准确度,减小了数据稀疏性的影响,提高了推荐的效率。相对于其他的主流推荐模型在准确率和召回率两个评估指标上有着明显的提高。