随着网络技术、GPS定位技术以及移动网络设备的快速发展,网络信息量呈爆炸式增长,人们在海量的数据中找到自己感兴趣的信息变得越来越困难,推荐算法有效解决了这一问题,并广泛应用到了各个领域。在基于位置的社交网络中,用户可以通过签到的方式为好友或网友分享自己感兴趣的地点或经验。在用户与位置服务交互时,产生了海量的时空信息,社交关系信息,这些信息为挖掘用户的行为偏好奠定了基础。通过分析用户的历史数据及行为特征,基于位置的社交网络推荐技术可以帮助用户在不需要明确表达他们的需求下为其推荐出感兴趣的地点。论文主要研究内容如下:(1)针对传统推荐算法的高度稀疏性与冷启动问题,本文综合考虑了用户的位置信息、时间信息以及社交关系等因素,设计了融合多特征信息的兴趣点推荐算法一 UFTL算法。该算法在空间上,首先计算地点签到相似度和位置距离相似度,然后将得出的两个相似度通过线性加权求和的方法计算出空间相似度;在时间上,通过引入Logistic衰减函数来分析时间因素对用户兴趣变化的影响,计算出时间相似度;在社交关系上,分析用户与好友之间的亲密度,计算出好友相似度;最终将三种因素的相似度线性加权计算得出多特征信息的相似度,根据评分预测产生兴趣点推荐结果。在Foursquare数据集上与其他推荐算法进行对比实验,结果表明,本文设计的UFTL算法提高了推荐的准确率和召回率,并有效缓解了数据稀疏性问题。(2)为了验证本文设计的推荐算法的合理性与实用性,对UFTL算法进行了实际应用,设计并实现了一个旅游景点推荐系统。通过对该系统进行总体架构设计、功能模块设计、数据库设计以及推荐模块设计,实现了景点推荐APP和后台管理子系统。通过智能移动手机测试后,景点推荐APP可以准确的根据用户的需求进行景点推荐,从而验证了 UFTL算法的可行性和实效性。