网络的飞速发展以及移动设备的普及推动了基于位置的社交网络(Location Based Social Network,LBSN)平台的使用,为个性化的兴趣点(Point-of-Interest,POI)推荐系统带来了巨大的发展前景。同时,POI推荐系统给用户提供了更为丰富的出行计划,也为企业和商家创造了更多的商机。协同过滤算法作为推荐系统中使用最为广泛的算法之一,但是其仍存在准确性不够高,数据稀疏,可扩展性差以及冷启动问题。此外,考虑到用户出行受到多方面因素影响,需建立并挖掘更多因素间的联系,本文提出了一种基于矩阵分解及张量分解的信息融合POI推荐算法。本文分别采用矩阵分解和张量分解模型充分结合各个影响因子为用户提供符合其个性的兴趣点推荐。首先,分析了当前POI推荐系统的国内外研究状况,介绍了其从协同过滤模型到矩阵分解模型再到张量分解模型的发展史。其中,具体描述了协同过滤算法的三大分类及各分类中算法的优缺点,还描述了目前流行的矩阵分解算法的分类、概念和意义以及张量分解模型的定义和分解方法。接着,为了缓解数据稀疏和改善用户隐式反馈,本文先提出了一种基于社交关系挖掘的兴趣点推荐算法。利用签到记录中丰富的上下文信息(如时间、位置、朋友等)得到区域影响力、距离影响力和朋友影响力,并由此学习得到潜在兴趣点放入用户-地点矩阵分解模型中,预测得到访问概率的前N个兴趣点推荐给用户。其中,由于重点考虑了朋友影响力,我们深度挖掘了用户的社交圈,提出了三种不同定义的朋友关系:网络社交朋友、区域朋友和作息朋友。然后,鉴于用户出行受到多方面因素影响,当前POI推荐多数利用地点的地理位置和用户的社会关系,只考虑两种或三种影响因素,影响因素利用不够全面导致准确率难以提高。为了加强影响因素的联系性和全面性,提出了一种基于张量分解的多维信息融合的兴趣点推荐通用模型。模型分为用户画像和地点标签两部分,先利用社会关系、兴趣点类别和时间因素构造三阶张量作为标签偏好并定义用户常驻地用于刻画用户画像,再利用地理因素和流行度影响构造地点标签,分析两者影响程度并分配权重,得到每个用户的TOP-N个兴趣点进行推荐。最后,在Foursquare数据集上的实验结果表明,本文提出的算法不仅具有灵活的扩展性和较低的复杂度,可解决冷启动问题,实现本地和异地推荐,而且相比当前流行的兴趣点推荐算法获得了较为显著的准确率提升。