随着第四代移动网络、社交媒体的迅速发展以及内置GPS模块的先进设备的普及使得基于位置的社交网络能得以实现。基于此,根据用户自身的移动特性个性化的向用户进行POI(Point of interest)推荐成为研究的一个热门方向,大量研究人员提出了具有价值的POI推荐算法。然而现有基于LBSN的POI推荐算法受到数据稀疏性,冷启动等问题的影响导致效果不佳。本文抓住位置社交网络的特点以及现有具有代表性的POI推荐算法的一些优缺点,深入挖掘用户地理位置以及时间信息,与用户的兴趣爱好相结合,以提高个性化地点推荐的的准确性为目标进行研究,主要研究成果如下:(1)为了了解现具有代表性的POI推荐算法的优缺点以及可能的改进方向,本文提出了一个基于评估流程的算法分析与改进框架。通过组成该框架的评估流程层,分析层,结论层,对7个具有代表性的POI推荐算法在不同数据集、不同数据密度、用户具有不同签到数以及用户具有不同活动范围四种情境下的准确率和召回率的表现进行对比,分析原因,并根据原因提出了三个算法可能的改进方向。(2)结合真实世界收集到的数据集Gowalla,分析时间和地理影响之间的关系。我们得出三个结论:在基于位置社交的网络中,用户的签到行为在时间维度上也具有地理聚集现象;地理聚类现象在时间维度上具有连续性;地理聚类现象在时间维度上具有异质性。(3)由于时间和地理影响之间的关系,我们选择基于矩阵分解的LRT算法进行改进,通过融合GeoMF算法中解决数据密度的方法,提出基于时间和地理影响POI推荐算法GeoTMF。GeoTMF与LRT和GeoMF算法在四种场景下使用Gowalla、Foursquare数据进行对比,发现该算法总体性能上表现最好,并且能在一定程度上解决POI推荐问题中的数据稀疏性、冷启动问题。本文对基于位置的社交网络做了较系统的研究和归纳总结。通过在真实的数据集Gowalla和Foursquare上对提出的GeoTFM算法进行实验验证表明:该算法显著提高了对POI推荐的准确率,同时也表明基于评估流程的算法分析和改进框架对于提出新的POI推荐算法具有一定的参考性和可操作性。