随着移动互联网和智能设备的发展,基于位置的社交网络(Location-Based Social Networks,LBSNs)应运而生,它在传统社交网络的基础上引入位置签到机制,实现了线上虚拟社会和线下物理世界的有效互动,促进了城市位置的消费。然而,用户和位置数量的增加衍生了信息过载的问题,以LBSNs为平台,研究高效的位置推荐,成为用户在海量数据中快速发现感兴趣地点的有效手段。用户签到数据的稀疏性严重影响了当前以协同过滤为主的位置推荐技术的准确率,同时,更是严重缺乏针对用户出现到异地城市的位置推荐研究。针对此问题,本文从用户的影响、用户兴趣与位置的内容匹配、位置的距离及吸引力等角度出发,提出UCFTCL(User-CF-Trust-Content-Location)位置推荐算法,以实现用户在本地和异地城市的有效位置推荐,论文选题具有较强的理论和应用价值。本文的主要工作如下:(1)分析了现有的LBSNs位置推荐算法的优劣性。(2)采用协同过滤算法分析用户之间的签到行为相似性,并引入社交信任度,提出UCFTR(User-CF-Trust)算法,分析用户签到数据和社交关系综合影响下的位置推荐效率。(3)针对位置标签的多元化和位置主题的相似性问题,引入用户兴趣特征的对比分析,提出改进的用户影响力计算算法UCFTRI(User-CF-Trust-Interest)。(4)用户出行到异地城市,社交关系影响被弱化,同时,签到数据稀疏,针对此问题,采用LDA(Latent Dirichlet Allocation)主题模型提取用户的兴趣特征,考虑异地城市的本地主题偏好,分析用户兴趣和位置信息的内容匹配度;综合用户影响力、内容匹配、位置的距离和吸引力等因素,提出UCFTCL位置推荐算法,根据用户所在的城市实现位置推荐自适应,通过Foursquare数据集的实验验证算法的有效性。(5)以UCFTCL算法为基础,利用新浪微博的开放数据接口,设计并实现了基于位置社交网络的个性化推荐系统原型。