随着社交网络和定位服务的发展,基于位置的社交网络逐渐兴起。在这个信息爆炸的时代,个性化推荐算法可以有效帮助社交网络的用户过滤掉自己不感兴趣的信息,更好的发掘用户的爱好,这样可以大大的增加用户在社交网络的活跃度。目前推荐算法已经在传统的在线社交网络平台上得到了广泛应用,对于基于位置的社交网络来说,推荐系统也是必不可少的。相比传统在线社交网络推荐系统,位置社交推荐系统引入了地理位置信息,能更好地帮助推荐系统发现用户的喜好。目前,在位置社交推荐系统中,推荐类型主要包括好友推荐、活动推荐和地点推荐。其中地点推荐已经成为了最近研究的一个重点。然而由于基于位置的社交网络大部分的地点签到的人很少,甚至有些新开发的地点没有人签到过,使得地点推荐算法不可避免的面临数据稀疏和冷启动的问题。本文对位置社交推荐系统进行了广泛的研究,介绍了基于位置的社交网络的结构、相关的推荐算法以及推荐系统的构成等。同时,针对个性化地点推荐这个类型,深入研究了影响地点推荐的三个因素：用户偏好、社交因素和地理位置,并针对这三个因素介绍了三种基本的个性化推荐算法：基于用户的协同过滤算法、基于社交影响因子的协同过滤算法和朴素贝叶斯分类。另外,本文深入分析了个性化地点推荐算法面临的数据稀疏、冷启动和签到地点距离常居地的远近这三个问题。并通过对这三个问题的分析,提出了一种改进的自适应地点推荐算法。该算法融合用户协同过滤、社交影响因子和朴素贝叶斯分类,并适应用户的当前位置,力求给用户推荐最适合用户当前位置的地点。本文通过改进算法与其他推荐算法的实验对比分析,验证了改进算法的可行性和有效性。实验结果表明,改进算法的确可以解决个性化地点推荐面临的问题,可以更好地进行地点推荐。