无线通信网络的快速发展,使得用户能够以签到的形式发布他们的地理位置,也就是用户签到数据中的兴趣点（Point-of-Interest,POI）。这种庞大的用户签到记录构成了目前基于位置的社交网络（Location-Based Social Network,LBSN）。如何充分挖掘用户签到数据信息中的潜在价值,成为目前学术界与工业界的研究热点。某些公司通过用户签到的形式,分析用户的签到行为数据,挖掘用户的兴趣偏好,从而为用户推荐他们访问过的但是可能感兴趣的兴趣点,如餐馆、景点、商场等。这种任务形式被称为兴趣点推荐。与传统的推荐场景不同,兴趣点推荐存在着隐式反馈,数据稀疏性的问题,而且兴趣点推荐场景中存在大量复杂的上下文信息,如地理位置、时间序列、主题类别、社交关系,而这些信息都与用户本身的签到行为紧密相连。所以,如何深入挖掘用户签到行为与上下文信息之间的关系,来提高推荐算法的性能,是一个值得深入研究的问题。本文的主要研究内容主要包括以下几个部分:（1）本文提出了一种基于兴趣点地理位置与类别信息的兴趣点推荐算法,该算法使用兴趣点之间的类别相似度与地理空间上的距离来建模影响力,并刻画了用户对兴趣点不同类别的偏好关系,深入挖掘了兴趣点类别对用户签到决策过程的影响。在两个真实数据集上的实验表明,该算法的推荐性能优于其他融合上下文信息的推荐算法。（2）本文提出了一种基于用户签到区域分割的兴趣点推荐算法,该算法基于兴趣点的地理位置、流行度、用户的社交关系,在加权矩阵分解模型的基础上,分析了这些因素之间的内在关联,并分析了部分用户签到的地域性的特点,对用户签到区域进行划分,并将用户的社交因子正则化加权到了目标损失函数中。通过在真实数据集上的实验,表明了本文提出的算法比其他的推荐算法有更好的推荐效果。（3）本文提出了一种基于用户签到区域与时间近邻建模的兴趣点推荐算法,该算法使用一种划分用户区域中心的聚类算法,对用户的签到区域进行区域建模,分析划分出的签到区域对用户签到周围兴趣点所产生的影响,并分析用户在一定时间段内的兴趣点偏好的转移特征,捕捉用户偏好随着时间推移的动态变化。最终在两个真实数据集上的实验表明,本文提出的算法比其他推荐算法有更高的推荐准确度。（4）针对某些用户特征偏好不明显的用户,本文提出了一种融合了多种上下文因素的兴趣点推荐算法,可从多个角度综合分析用户的签到特征偏好,缓解了部分用户因数据稀少而偏好刻画不明显的问题。（5）在提出的四种兴趣点推荐算法的基础上,本文基于四种算法的特征,以及用户的签到行为模式,设计出了兴趣点推荐系统,该系统可分析用户的签到行为模式,针对不同签到模式的用户进行针对性的推荐,提高兴趣点推荐的准确度,满足各类用户的需求,改善用户体验。