位置社交网络的兴趣点推荐致力于帮助用户发掘潜在的偏好兴趣点,为用户提供个性化的兴趣点推荐。与传统推荐系统不同的是,位置社交网络的兴趣点推荐有丰富的上下文信息可以利用。其中,兴趣点的类别信息隐含着用户在某个时刻的活动主题,有助于对用户的个人偏好进行更精确的建模。然而,目前的研究大多没有充分利用兴趣点的类别信息。针对此问题,提出了一种基于地理类别信息的加权矩阵分解的兴趣点推荐算法GeoCaMF。该算法以加权矩阵分解模型为基本模型,融合用户偏好模型(基于类别信息的用户协同过滤算法)和地理影响模型(基于类别信息的物品协同过滤算法)。首先在用户偏好模型中,先将用户按其对兴趣点类别的偏好进行分组,然后再在每个组内使用基于用户的协同过滤推荐算法。其次在地理影响模型中,使用物品协同过滤推荐算法来对地理距离因素以及兴趣点类别因素进行建模。最后,针对兴趣点推荐问题中存在的正负样本不平衡问题与隐式反馈信息问题,提出了基于隐式反馈信息的加权矩阵分解模型,并融合用户偏好模型和地理影响模型来学习用户的个性化兴趣点偏好。在两个公开数据集Foursquare和Yelp上与多个同类推荐算法进行了多个推荐系统常用评价指标的对比,主要指标包括Precision@K、Recall@K、nDCG@K、MAP@K。实验结果显示,提出的GeoCaMF模型在四个指标下相比同类算法都有更好的推荐效果,证明了该模型的有效性。