近年来,基于位置的社交网络(LBSNs)的蓬勃发展,特别是随着线下社交活动组织平台的建立,使得互联网上的陌生人可以在现实世界中相见。这种全新的商业模式为线下活动的组织者提出了新的挑战,例如设计活动方案以及预测活动参加人数。直觉上,这些服务依赖于对于用户偏好的准确评估。然而,因为用户参加活动可能出于多种动机,即用户参加了活动并不一定体现了用户的真实偏好,所以传统的基于分析用户历史参加活动记录的推荐技术可能不能准确地挖掘出用户的真实偏好。与此同时,我们发现用户有时会面临"冲突-选择"的现象,即用户同时收到多个线下活动的邀请,但是由于兴趣、时间、经费等原因,用户只能选择参加部分活动,并拒绝其他活动的邀请。我们认为这种"冲突-选择"现象可能会更好地反应出用户的真实偏好。因此,准确地建模这种"冲突-选择"现象将更加有利于对用户行为的理解。本文设计了一种新颖的基于"冲突-选择"现象的模型,重建用户面临多个活动邀请时的决策过程。具体而言,从选择模型中的"效用"的视角,本文公式化了用户的"冲突-选择"效用,并且整合了用户基于活动内容的效用、基于社交关系的效用和基于活动消费的效用,这样,本文提出的模型可以同时挖掘用户对于活动内容的偏好,对于社交关系的偏好以及对于活动消费的偏好。此外,本文将"冲突-选择"三元组中的选择问题转化为成对的排序问题,并提出一个基于排序学习的优化模型框架的解决方案。本文在真实的数据集上进行了系统的实验,结果表明,"冲突-选择"框架的准确率明显优于其他基线算法。此外,本文进行了基于网络结构指标的社交网络剪枝,进一步地保证了"冲突-选择"框架的计算效率,验证了本文的"冲突-选择"框架可以更好地解释用户的真实偏好的假设,并且同时表明了"冲突-选择"框架在线下社交活动参与预测应用中的潜力。