兴趣点(PO1)推荐是基于位置的社交网络推荐系统的重要研究内容。传统的个性化推荐系统中,都使用基于特征的方法计算用户的相似性,没有充分利用用户及兴趣点之间丰富的链接关系。异构信息网络上具有更多实体间的链接关系和语义信息,能够完整表达基于位置的社交网络上的节点间的关系，为兴趣点推荐提供了新思路。本文利用基于用户的协同过滤推荐模型作为基本框架进行兴趣点推荐,首先在异构信息网络中计算用户间相似性。PathSim算法是异构信息网络上经典的基于链接相似性计算方法,但是它默认所有链接的重要程度都是一样的,这是不客观的。基于布朗运动。为部分路径添加影响力因子,并提出了新的相似性汁算方法。该算法通过在元路径中加入核心路径影响力因子,使得异构信息网络上基于元路径的用户相似性计算在兴趣点推荐中有了现实意义。其次目前传统的方法对兴趣点的评分标准是用户对地点的喜好和地点流行度。没有从整体角度将人的出行当作有序的序列,没有考虑未来活动对当前推荐的影响。本文对用户的连续性出行进行建模。为待推荐地点查找级联兴趣点，考虑联点对待推荐位置的影响形成新的推荐模型，从而得到最最优的推荐结果。最后在两种不同元路径下对本文提出的算法进行了实验，并对实验经果进行了分析，验证了本文提提方法可行性和有效性。