郭晨睿，李 平，2

1.长沙理工大学 计算机与通信工程学院，长沙 410114

2.智能交通大数据处理湖南省重点实验室，长沙 410114

1 概述

随着移动智能设备等技术的快速发展，基于位置的社交网络[1-7]（Location Based Social Networks，LBSNs）应运而生，如Foursquare、Gowall和微信等。LBSNs连接了现实世界和虚拟世界，用户通过线下访问现实生活中他们感兴趣的地理位置，并在线上以签到的方式发表评论等信息，与其他用户分享自己在该兴趣点（Points-of-Interests，POIs）的签到体验。LBSNs不仅受到了广大用户喜爱，而且受到学术界和工业界的广泛关注。LBSNs的广泛应用推动了兴趣点推荐系统的发展。在兴趣点推荐系统中融合多种影响因素可以有效提高兴趣点推荐系统的质量。因此，融合多种影响因素构建兴趣点推荐系统是广大学者的主要研究方向。

传统的基于用户的协同过滤算法将两个用户之间的相互影响当作对称的影响，即对于LBSNs中任意的两个用户，彼此的影响是相同的。然而，在现实生活中这种情况并不一定如此，例如：专家可能会对新用户产生影响，但是新用户根本不会影响专家。此外，兴趣点是现实生活中真实存在的地点，用户在兴趣点的签到行为必然会受到用户与兴趣点之间地理位置的影响，即地理影响。文献[4，7]中计算同一用户在一天内签到的两个相邻兴趣点之间的距离，并汇总所有用户签到的结果，获得如图1所示的距离函数。其中，概率值越大表明用户更愿意在该距离处的兴趣点签到。由图1可以看出，随着两个兴趣点之间距离的增加，用户愿意签到访问的概率随之减少。……