随着移动定位技术的不断发展和社交网络的日益发达,结合地理位置的社交软件也越来越多。这其中就有着巨大的技术发展空间和商业发展前景。各种关于兴趣点推荐的算法研究成为了推荐领域的一个热门方向,同时,由于涉及海量数据的处理,各种大数据技术和推荐架构也在系统工程中得到了充分实践。如何提高推荐算法的准确率,同时设计出合理高效稳定的推荐架构,就成为了一个结合了智能算法和工程实践并且也有着强烈现实意义和需求的优良课题。以下为本文的主要工作:(1)结合用户的社交关系信息和地理位置信息,综合分析了用户之间的多种相似度以及用户活动区域的行为密集度,采用推荐领域传统的协同过滤算法模型和地理位置信息特征构建起离线训练模型与实时特征数据相结合的方案,设计出了本文的兴趣点推荐算法模型,并在真实数据集上进行了算法实验,证明了算法的有效性。(2)设计出了一个具有数据存储和预处理模块,离线推荐模型训练模块,在线推荐模型训练模块,用户交互模块一共四大模块的兴趣点推荐架构,可以从服务器中拉取请求和日志,进行数据清洗后保存在分布式存储系统并在计算平台上进行模型训练,实时获取用户位于某一地点的推荐请求,结合离线模型训练得到在线模型,根据模型得出推荐列表后在前端展示给用户。(3)实现了在本地物理机上的系统部署,对系统进行了功能性测试和性能测试,证明系统的功能性实现完好,性能稳定性良好。本文采用了软件工程化的方法对整体系统从需求分析,概要设计,详细设计,实现与测试等方面进行了详细描述,图例丰富,表格完备。最后本文提出了系统未来的改进方向。