随着信息科技的高速发展和智能移动终端的普及,信息无处不在的时代也随之到来。越来越多的网络信息资源,也让如何从规模如此巨大的信息资源中快速筛选出自己需要的信息,变成了一个现实而亟待解决的问题。个性化推荐系统是解决信息过载问题的常用方法之一。使用个性化推荐不但能帮助用户更快地发现自己所需的信息,还可以帮助信息提供方将其产生的信息更加快速有效地展示在消费者面前。兴趣点(Pointofinterest,POI)推荐系统是在基于地理位置的网络服务中,通过网络服务中的签到打卡功能来让用户可以实时分享现实中的地理信息。用户通过智能手机等移动设备可以对签到地点的项目进行评分和评论,记录他们对于该项目的感受,并且还可以看到朋友的签到信息并与之互动。本篇文章对基于位置的POI推荐算法进行了深入研究,介绍了常用个性化算法,包括用户间相似度的协同过滤、用户间相似度的协同过滤和混合推荐等。同时对兴趣点推荐系统的定义和应用场景做出了较为详细的阐述,包括POI数据的特点和使用现状,常用POI推荐模型等。同时针对个性化兴趣点推荐算法存在的问题做出了改进,主要包括四个部分:(1)时间和地理位置属性是基于地理位置的网络服务中非常重要的属性,本文提出在计算相似度过程中基于时间因素和地理位置因素的权重调节方法并进行实验探究;(2)引入心理学中的艾宾浩斯遗忘曲线,提出非线性遗忘函数并探究参数的变化;(3)将Slope One算法引入POI推荐系统当中,对其常用的改进算法进行优劣对比,引入基于相似度计算的最近邻模型对其进行改进,提出基于用户偏好的改进型最近邻Slope One算法;(4)根据Gowalla真实用户-项目数据进行仿真验证,对算法的性能和优劣进行了分析,并且其他常用推荐算法的结果进行综合比对,证明了本文的算法可以对目前推荐效果有改进作用,并能解决目前算法存在的部分缺陷。