近年来,随着基于位置的社交网络(Location-Based Social Network,LBSN)的迅速崛起,兴趣点(Point-of-Interest,POI)推荐已经成为其中的一项重要应用方式。它旨在根据用户的历史签到记录和其他辅助信息来为用户推荐感兴趣但未曾访问过的位置。然而,由于当前LBSN平台中海量新用户、新兴趣点的不断涌入,日益严重的信息过载问题开始暴露在用户面前。为了结合兴趣点推荐相关技术有效应对此问题,本文主要从以下两个方面进行改进研究:1.由于用户签到数据中包含有多源情景因素信息,例如地理位置,时间,社交关系,情感倾向,文本信息等。不同的情景因素信息能反映用户行为习惯的不同方面,合理综合利用这些信息可以有效提高推荐质量。针对现有的LBSN研究工作对兴趣点相关的用户语义位置信息挖掘不够充分,且大多POI推荐算法忽略了兴趣点所处区域对推荐结果的影响,提出一种基于语义位置和区域划分的兴趣点推荐算法(USTTGD)。该算法通过综合考虑多种不同的情景因素信息并将其融合为一个统一的推荐框架,在Foursquare和Gowalla数据集上取得了较好的效果,尤其是在推荐精度上获得了明显的提升。2.针对当前兴趣点推荐系统随用户签到数据流的不断积累和增加,算法的计算复杂度明显加大,会影响系统的实时性。提出一种基于POI相似性的增量更新机制,在该机制下实现USTTGD算法,得到一种基于增量更新的兴趣点推荐算法(IUUSTTGD)。该算法利用兴趣点相似性计算过程中分解出的不变量和随签到数据变化的因变量,在系统每次更新数据时仅针对这些变化量进行改变。通过在真实数据集上的实验对比分析可知,基于POI相似性的增量更新机制在推荐效率上有着明显的优势,能够在确保较高推荐精度的情况下,实时性地更新推荐结果,有效改善了系统的可扩展性问题。