1、興趣點(diǎn)(point-of-interest，POI)推薦是在基于位置的社會(huì)網(wǎng)絡(luò)(location-based socialnetwork，LBSN)中的一種全新形式的推薦。利用LBSN所包含的豐富信息進(jìn)行個(gè)性化推薦能有效增強(qiáng)用戶體驗(yàn)和提高用戶對(duì)LBSN的依賴度。相較于傳統(tǒng)社會(huì)網(wǎng)絡(luò)中的推薦系統(tǒng)，基于位置的社會(huì)網(wǎng)絡(luò)中的興趣點(diǎn)推薦存在無顯式用戶偏好、興趣非一致性、數(shù)據(jù)稀疏性等挑戰(zhàn)性問題，并已成為當(dāng)前研究熱點(diǎn)。本文首先從基本推薦算法和興趣點(diǎn)推薦

2、兩個(gè)角度介紹相關(guān)推薦技術(shù)以及其研究現(xiàn)狀，指出其存在的不足。然后，著重研究興趣點(diǎn)的靜態(tài)推薦策略和實(shí)時(shí)推薦策略。
　　針對(duì)興趣點(diǎn)靜態(tài)推薦，提出了一種針對(duì)LBSN的時(shí)間-主題感知興趣點(diǎn)推薦策略，即一方面將用戶的全部歷史簽到信息以小時(shí)為單位細(xì)分為24個(gè)時(shí)間段，另一方面將每個(gè)興趣點(diǎn)細(xì)分為多個(gè)潛在主題及其分布，同時(shí)利用用戶的歷史簽到信息和評(píng)論信息挖掘出用戶在不同時(shí)間段的主題偏好，以實(shí)現(xiàn)興趣點(diǎn)的Top-N推薦。為實(shí)現(xiàn)該推薦思路，首先，根據(jù)用戶的

3、評(píng)論信息，運(yùn)用LDA(latent Dirichlet allocation)模型提取出每個(gè)興趣點(diǎn)的主題分布。然后，對(duì)于每個(gè)用戶，將其簽到信息劃分到24個(gè)時(shí)間段中，通過連接相應(yīng)的興趣點(diǎn)-主題分布映射出用戶在不同時(shí)間段對(duì)每個(gè)主題的興趣偏好。為解決數(shù)據(jù)稀疏問題，運(yùn)用高階奇異值分解算法對(duì)用戶-主題-時(shí)間三階張量進(jìn)行分解，獲取用戶在每個(gè)時(shí)間段對(duì)每個(gè)主題更為準(zhǔn)確的興趣評(píng)分。在真實(shí)數(shù)據(jù)集上進(jìn)行了性能測(cè)試，結(jié)果表明所提出的推薦策略具有較好的推薦效果。

4、
　　針對(duì)興趣點(diǎn)實(shí)時(shí)推薦，提出了一種感知當(dāng)前時(shí)間和當(dāng)前地點(diǎn)的實(shí)時(shí)推薦策略。該策略融合具有時(shí)間感知的用戶特征、興趣點(diǎn)特征、用戶個(gè)性化的地點(diǎn)轉(zhuǎn)移偏好和LBSN中整體的興趣點(diǎn)轉(zhuǎn)移等影響因素，準(zhǔn)確感知用戶在當(dāng)前時(shí)間和當(dāng)前地點(diǎn)的興趣偏好。為實(shí)現(xiàn)該推薦思路，首先，通過矩陣分解得到不同時(shí)間段的用戶特征矩陣和興趣點(diǎn)特征矩陣，獲取用戶具有時(shí)間感知的初始興趣偏好;其次，通過LT模型構(gòu)建不同時(shí)間段下用戶個(gè)性化興趣點(diǎn)轉(zhuǎn)移矩陣和整體興趣點(diǎn)轉(zhuǎn)移矩陣，獲取各個(gè)