随着移动互联网技术、定位技术和无线传感技术的飞速发展以及智能手机的不断普及,基于位置的社会化网络（location-based social networks,LBSNs）及其带来的应用服务应运而生并得到了迅速的发展。位置数据弥合了物理世界和数字世界之间的鸿沟,使人们可以更加深入地了解用户的偏好和行为。由于在基于位置的社会化网络中用户产生了大量的签到数据,就使得向用户推荐兴趣点（point of interest,POI）成为了可能。兴趣点推荐可以帮助用户尽快熟悉陌生的城市也可以辅助用户选择出行目的地,并且兴趣点推荐也极具商业价值,这就使得兴趣点推荐成为当前基于位置的社会化网络中一项重要服务,得到工业界和学术界的广泛重视,正成为推荐系统和社会化网络研究领域的一个新的研究热点。相比于传统推荐,由于用户和位置的相依性以及基于位置的社会化网络中位置的独特属性使得兴趣点推荐变得更加复杂,也面临着许多不同于传统推荐的挑战,比如隐式的用户反馈、数据的稀疏性、情境的多样性等等。为了应对这些挑战,本研究利用协同过滤提出了一种基于空间和移动模式的普通的兴趣点推荐方法。普通的兴趣点推荐只为用户推荐未来该用户可能会访问的兴趣点,无法根据用户当前的情境,比如用户当前的时间和当前的位置为该用户推荐下一时刻可能会访问的兴趣点。因此普通的兴趣点推荐是无法根据用户当前的情境为用户做出个性化推荐的。为了解决这一问题本研究提出了一种集成了地理和时间偏好的下一个兴趣点推荐方法。由于以上两种推荐并没有考虑用户先前是否已经访问了向该用户推荐的兴趣点,这会影响到推荐结果的新颖性以及用户的体验。为了给用户提供一个更加实用和体验更好的兴趣点推荐,本研究提出了一种基于模拟用户出行决策过程的下一个新的兴趣点推荐方法。归纳起来,本文的主要工作和贡献如下:（1）针对于普通的兴趣点推荐,本研究设计了一种基于空间和移动模式的协同过滤兴趣点推荐方法,称为SMPCF。首先,SMPCF根据目标用户的签到历史挖掘其活动区域,并且基于目标用户的活动区域设计了一种个性化的用户空间相似性计算方法。其次,SMPCF考虑了人类移动模式的三个特征:空间属性、时间属性和顺序属性,并基于这三个特征设计了一种个性化的用户移动模式相似性计算方法。最后,SMPCF基于协同过滤的思想生成了推荐列表。相比于多个先进的兴趣点推荐方法,实验结果表明SMPCF实现了更好的性能。（2）针对于下一个兴趣点推荐,本研究提出了一种集成了地理和时间偏好的下一个兴趣点推荐方法,称为IGTP。相比于普通的兴趣点推荐它能够根据用户的情境信息为用户提供更加个性化的推荐结果。IGTP具有如下的优点:首先,IGTP利用兴趣点的分类信息建模用户的签到历史可以有效地克服数据的极度稀疏。其次,IGTP考虑了影响人们选择兴趣点的地理距离和地理密度因素,将待推荐的兴趣点限定在以目标用户当前位置为中心的潜在活动区域内。最后,IGTP将地理信息和用户偏好信息集成在一个统一的推荐框架内。相比于多个先进的下一个兴趣点推荐方法,实验结果表明IGTP实现了更好的性能。（3）针对于下一个新的兴趣点推荐,本研究提出了一种基于模拟用户出行决策过程的下一个新的兴趣点推荐方法,称为STDMP。STDMP通过权衡影响用户出行决策的两个重要因素:偏好因素和地理因素,来模拟用户的出行决策过程。首先,STDMP使用张量建模用户的签到历史并动态的预测用户的偏好。其次,为了特征化地理因素对单个用户的影响,STDMP设计了个性化的用户相似性计算方法,并为每一个用户在相应的时间段拟合曲线,以反映该用户在不同时间段出行距离与出行概率之间的关系。最后,通过综合考虑偏好因素和地理因素对用户的影响生成推荐列表。通过与最新的下一个新的兴趣点推荐方法进行比较,实验结果表明STDMP具有更好的性能。