随着基于位置社交网络的发展和信息过载问题的出现,使得兴趣点推荐研究得到国内外研究学者的广泛关注。基于位置社交网络中的兴趣点推荐不仅可以帮助用户有效地发现新地方,为用户带来全新的生活体验,而且可以为兴趣点商家吸引更多的潜在客户,提高商家的商业利益。为全面分析签到数据的特征和提高兴趣点推荐的精度,本文基于兴趣点推荐问题对用户签到数据的统计特征进行分析,根据发现的签到特征进行兴趣点推荐算法的深入研究。首先,提出了融合时间特征和协同过滤的兴趣点推荐算法。主要从用户签到数据的时间特征方面,对位置社交网络中大量的用户签到数据进行分析,提取用户签到的相似性特征以及时间的差异性、连续性特征。在此基础上,利用相似性特征进行用户过滤,并采用基于连续时间槽的余弦相似度计算用户间的相似度,得到融合时间特征和协同过滤的兴趣点推荐算法。该算法采用连续时间槽的平滑技术解决数据稀疏问题。然后,提出了融合二维空间特征和核密度估计的兴趣点推荐算法。主要从用户签到数据的空间特征方面,进一步分析用户签到数据,得到空间的流行度特征和用户签到位置历史特征,发现利用二维空间特征对兴趣点推荐更具有优势。因此,利用二维空间特征提出了基于流行度的二维高斯核密度估计,其中采用基于连续时间槽的兴趣点流行度进行流行度评估。本文将上述两种算法进行正规化处理并融合,得到融合时空特征的推荐算法。最后,利用公开的Foursquare和Gowalla签到数据集对以上算法做了验证。实验表明,与已有同类算法相比,本文提出的推荐方法能够提高推荐精度和召回率。