1、信息時代社交網(wǎng)絡飛速發(fā)展，逐漸成為了人們生活不可或缺的一部分，加上全球定位系統(tǒng)（GPS）的廣泛應用和用戶對于興趣點（point ofinterest）分享的需求，基于位置的社交網(wǎng)絡（Location-based Social Network,簡稱LBSN）應運而生了。LBSN吸引了成千上萬用戶注冊使用，因此在LBSN站點上積累了海量的社交數(shù)據(jù)和時空信息，這為興趣點推薦提供了很好的數(shù)據(jù)支撐。
　　通過對LBSN數(shù)據(jù)探索，我們發(fā)現(xiàn)用戶

2、的社會活動具有時效性，時效性分別體現(xiàn)在：簽到頻率、簽到主題和社交影響，并且用戶的活動決策受到地理因素和社交因素的影響。綜上所訴，我們在論文中進行以下四點探索：
　　（1）對用戶的簽到數(shù)據(jù)和社交數(shù)據(jù)進行四部分的數(shù)據(jù)分析，得出了用戶在簽到行為中表現(xiàn)出明顯的時效性的結論，根據(jù)此結論將原始地理圈和社交圈劃分為時效的地理圈和社交圈。
　?。?）對以時效性的地理因素圈和社交圈為基礎對多種地理和社交因素進一步的探索，包括：個性化偏好、距離

3、親近度、主題相似度、偏好相似度、權威度以及親密度。論文根據(jù)相關研究結論和LBSN的時空和社交數(shù)據(jù)，得到了對以上因素提出科學合理的計算方法。
　　（3）提出興趣點推薦模型GSTS（Geographical，Social,Temporal and Spatial），在模型構建一共分為三步：矩陣拆解、矩陣分解和矩陣歸并。首先根據(jù)時效區(qū)進行矩陣拆解，分為24個子矩陣。接著論文利用矩陣分解技術將用戶-興趣點簽到矩陣分解為用戶隱特征矩陣和興趣

4、點隱特征矩陣，具體的，將分解過程轉(zhuǎn)化為優(yōu)化過程，構造包含地理和社交因素的目標函數(shù)，使得分解的結果是符合地理和社交因素約束的結果。矩陣分解技術已經(jīng)被廣泛應用在推薦領域，并且推薦的結果證明了其提升了推薦性能。然后利用矩陣相乘得到最終的興趣點預測矩陣，最后使用多種矩陣歸并方法進行多時效區(qū)的興趣點推薦。
　?。?）在最后進行實現(xiàn)部分，基于LBSN真實數(shù)據(jù)集Foursquare進行實驗，并采用準確率和召回率作為推薦系統(tǒng)性能的評價標準，實驗分