1、近年來，隨著基于地理位置的社會網(wǎng)服務(LBSNs)在人們的生活中變得流行，POI(Point-of-Interest)推薦已經(jīng)成為了一個值得重點研究的問題。POI推薦目的是向用戶推薦他沒有去過但可能感興趣的點，對用戶和商戶都具有很高的價值。
　　本文主要研究了基于時空信息和社會網(wǎng)的POI推薦問題，主要內容包含:
　　首先，本文研究了基于社會網(wǎng)和地理信息的POI推薦算法，提出了結合用戶興趣和POI點的地理信息進行推薦的SROF

2、模型。模型中考慮了不同種類的用戶關系，比如用戶相似性、社會網(wǎng)關系、鄰居關系等;同時根據(jù)用戶的登錄記錄對所有POI的地理位置進行聚類劃分從而得出商圈區(qū)域，根據(jù)不同地點的地理信息以及和商圈的關系來計算用戶從一個POI到另一個POI的概率。實驗表明，SROF模型能在一定程度上提高推薦的準確率。
　　其次，本文研究了基于時空信息的POI推薦算法，提出了CTS模型。在模型中根據(jù)用戶簽到活動日志，計算用戶之間的時間行為相似性，利用其對數(shù)據(jù)進行

3、補充，在一定程度上解決了數(shù)據(jù)稀疏問題;同時根據(jù)用戶不同時間的活動記錄進行可達距離劃分，對候選點集進行篩選并且考慮了不同時間段中不同POI的流行度。在CTS模型的基礎上，結合之前的內容提出了S-CTS模型。實驗表明，CTS模型與S-CTS模型在進行實時POI推薦時具有良好的效果。
　　再次，本文研究了基于地理類別和地理信息的POI推薦算法，對多類別地點進行了處理，結合矩陣分解技術提出了GUP模型。模型中根據(jù)用戶簽到活動日志和地理位置

4、的類別，通過矩陣分解的方法得到了用戶偏好矩陣，將其與地理信息相結合進行POI推薦;同時結合上述方法的條件提出了ST-GUP模型。實驗表明，GUP模型與ST-GUP模型能在一定程度上提高推薦的準確率。
　　最后，我們在多個真實數(shù)據(jù)集上對本文提出的五種模型進行POI推薦的性能比較。實驗結果表明:S-CTS模型和ST-GUP模型的推薦性能好于其他三種模型，說明多種類型的數(shù)據(jù)信息聯(lián)合起來同時考慮對POI推薦的影響會比較大，并且ST-GUP