随着网络的发展和普及,人们可以很容易的获取各种位置信息,这也催生了基于位置服务的社交网络(LBSN)。通过LBSN,用户可以很方便的发现他感兴趣但是没有去过的地方。这也给个性化兴趣点推荐算法的研究提供了很好的基础。在个性化兴趣点推荐领域中,协同过滤一直是应用最广泛的算法。本文针对协同过滤算法所存在的推荐准确度不高,数据过于稀疏以及冷启动等问题提出了两种改进算法。首先,本文分析了兴趣点推荐的研究现状,对协同过滤所用到基本研究方法进行了阐述,对传统协同过滤算法的优缺点进行说明。并分析了兴趣点推荐研究的相关问题,并提出改进策略。其次,为了改善兴趣点推荐中存在的稀疏性以及推荐准确度不高等问题,本文将地理影响因子融入到兴趣点推荐当中。考虑根据用户活动的地理聚集现象,将地理影响因子融入到兴趣点评分预测当中,据此生成K个当前用户最喜欢的兴趣点,并将其填充到原始矩阵当中,然后将地理影响因子以兴趣点影响范围以及用户活跃范围的方式融入到原始矩阵分解方法中,来提高推荐结果的准确度。再次,对于兴趣点推荐算法中存在的个性化程度不高,数据稀疏性的问题,本文利用核密度估计得出用户个体签到行为分布,突出个性化。之后,将社交影响因子以社交正则项的方式融入到矩阵分解算法中。最后,将兴趣点相似度融入到评分预测当中,更新评分,来提高推荐质量。最后,在真实数据集上对两种算法进行实验。实验结果表明,这两种改进算法提高了推荐结果准确度,改善了数据稀疏性冷启动等问题。