随着大数据时代的到来,基于位置的社交网络（Location-Based Social Network,LBSN）服务平台得到了迅速的发展。基于反k近邻查询的推荐技术在LBSN平台的服务中发挥着重要的作用。LBSN数据具有多元异构性、实时更新性和空间文本性,因此LBSN环境下反k近邻查询与传统反k近邻查询相比存在数据规模大、数据更新频繁等问题。针对以上问题,本文提出了 LBSN环境下基于反k近邻查询的推荐系统。针对数据流环境下连续双色反k近邻查询问题,本文首先提出了一种MHTree（Min-Heap-Tree）索引。其作用是在数据更新时高效维护结果集。以此为基础,本文提出了六区域环（Six-Region-Ring,SRR）查询处理算法,实现了对高质量数据的筛选。最后,本文提出一种数据预处理的方式高效维护候选用户集和验证设施集,提高了算法更新的性能。针对距离-关键字相似度约束的双色反k近邻查询问题,本文提出了一种基于关键字多分辨率网格树（Keyword Multiresolution Grid Rectangle-Tree,KMG-Tree）过滤-验证查询处理框架。该框架首先提出了一种KMG-Tree索引,实现了对空间文本数据库的高效管理。以此为基础,本文提出了一种Six-Region-Optimize算法实现了对KMG-Tree索引的高效剪枝,提高了查询效率。最后,本文利用阈值φr为查询点筛选出少量质量更高的对象。最后,本文使用德国（Germany,GE）和北京（Beijing,BJ）的部分地理空间位置信息以及一个模拟数据集（Simulated Data,SD）分别对SRR算法和Six-Region-Optimize算法进行仿真实验,证明了本文所提算法的有效性、实用性和稳定性。本文还实现了 LBSN环境下基于反k近邻查询的推荐系统,该系统支持数据流环境下连续双色反k近邻查询和距离-关键字相似度约束的双色反k近邻查询两种推荐方法。