随着移动互联网的快速发展和移动终端的普及,基于位置的社交网络也逐渐流行起来,与位置社交网络相关的信息和技术也被广泛应用到生活中。位置服务的流行使得互联网中存在着大量的用户签到等数据,通过挖掘这些数据,可以分析出用户的行为偏好,为兴趣点推荐的研究提供了有力的支撑。基于位置社交网络的兴趣点推荐,可以为用户的生活和出行提供一定的便利,帮助用户发现新的兴趣点,同时还可以为相关的行业和商家提供一定的建议。而在位置社交网络中,面对海量的用户签到信息,如何更好地挖掘出用户的个性化偏好,提升推荐的效果是目前研究的重点。本文主要针对组合推荐算法的改进以及如何更好地利用用户签到行为的时间特征这两方面进行研究。针对组合推荐的方面,由于基于单一因素的兴趣点推荐方法都有一定的局限性,因此需要通过组合的方式来解决单一方法的缺点,从而提升推荐的效果。本文从基于单一影响因素的推荐算法入手,首先在基于地理因素的兴趣点推荐算法中,利用核密度分布对地理距离进行对量,以此来代替常用的幂率分布与朴素贝叶斯相结合的方法,进而计算出用户签到的概率;其次,本文通过用户之间关注的好友以及签到的地点是否相似这两个指标来衡量用户信任度;此外通过用户协同过滤方法来衡量用户的偏好度。然后对上述影响因素进行数据标准化,并融合到一个统一的框架中。针对用户签到行为的时间特征方面,由于用户的签到行为拥有很强的规律性,如果能够较好地将签到行为的时间特性应用到兴趣点推荐中,则能够在很大程度上提升推荐的效果。因此本文通过分析用户签到行为与时间的相关性,将用户的签到按时间段进行划分,并将位置预测转化为概率计算问题。此外,由于用户的兴趣会随着时间而改变,本文通过时间影响因子来度量这一特性,将时间影响因子与概率计算结合起来,提出了融合时间特征的兴趣点推荐算法。通过与目前常用的算法进行对比实验,发现改进后的组合兴趣点推荐算法以及融合时间特征的兴趣点推荐算法的推荐准确率以及召回率都有一定的提升。其中组合推荐算法能够较好地适应于多种推荐场景,而融合时间特征的推荐算法能够更好地发现用户偏好与时间的关系,提升推荐的效果。