随着移动定位技术的成熟和智能设备的普及,传统的社交网络逐渐向基于位置的社交网络转变,吸引越来越多用户的参与。同时伴随着城市化的进程,涌现了一大批新的兴趣点(如商场、餐厅、公园、景点等),居民的娱乐生活更加丰富。用户与兴趣点之间的交互促使兴趣点推荐问题受到关注。兴趣点推荐是指对用户在位置社交网络中的历史签到数据进行分析,为用户推荐他们可能感兴趣但未访问过的兴趣点。在研究中,人们发现签到数据是由多维度的信息组成的,不同的维度体现用户行为习惯的不同方面,合理利用这些信息可以提高推荐质量。因此,多维度兴趣点推荐成为新的研究方向,可用于旅游规划和社交互动。本文研究多维度兴趣点推荐问题,通过挖掘组成位置社交网络签到数据的各维度信息,提出新的推荐方法,主要研究工作如下:(1)针对在推荐过程中未曾考虑类别维度对推荐的影响这个问题,挖掘用户签到记录中的类别信息,将用户-兴趣点签到矩阵按类别分解,并且引入时间衰减函数体现用户类别偏好的变化趋势,为每次在不同类别的签到记录赋予不同的权重,再结合流行维度预测用户关于兴趣点的主观评价。(2)针对在推荐的过程中未曾考虑社交维度中不同领域影响的问题,结合社交网络和领域信息构建类别社交网络矩阵,引入PageRank算法计算社交好友关于不同领域的权威程度,再结合基于社交网络的协同过滤算法,预测用户关于兴趣点的客观评价。最终,线性组合预测的主观评分和客观评分,设计一种多维度联合推荐算法,有效融合空间、时间、社交、类别以及流行维度信息。本文实验中选取了Foursquare的大规模数据集对算法性能进行验证,将本文提出的算法与目前有代表性的几种算法进行比较,评价指标选择准确率和召回率,结果证明本文提出的MJRA算法推荐结果与目前先进的推荐算法相比,准确率提高15%,召回率提高10%。