包 玄，陈红梅，肖 清

（云南大学信息学院，昆明 650500）

0 引言

随着全球定位系统、移动互联网等信息技术的发展以及移动设备的普及，基于位置的社交网络（Location-Based Social Network，LBSN）受到越来越多人的喜爱，人们在网络平台（如Yelp、微博、Twitter等）上分享丰富的位置相关信息，使得位置数据激剧膨胀，导致信息过载，不论服务商还是用户，都难以从海量位置数据中获取感兴趣的信息，于是位置推荐应运而生，其中兴趣点（Point-Of-Interest，POI）推荐备受关注。POI推荐是根据用户的POI访问历史，以及用户和POI的描述信息，分析用户兴趣偏好，发现用户潜在感兴趣的POI并推荐给用户。POI推荐不仅可以帮助用户快速获取所需信息，改进用户体验，也可以帮助服务商快速定位目标客户，提高商业利润。

传统POI推荐大致可以描述为：首先，将用户的POI访问历史建模为一个二维签到矩阵User-POI，用以表达用户访问POI的情况，例如，如果用户u访问过POIl，则签到矩阵元素（u，l）的值1，否则为0。然后，基于签到矩阵User-POI，采用协同过滤技术，学习用户的POI偏好，估计用户没访问过但可能感兴趣的POI评分，即签到矩阵中为0的元素的可能值。最后，按估计的评分高低，将用户没访问过但可能感兴趣的POI推荐给用户。

为了提升POI推荐效果，研究者在传统推荐的基础上，融合上下文信息，如用户间的社交关系、POI间的距离关系等。最近，研究者也开始关注用户访问POI的时间信息。文献［1-2］的研究表明，人们一天的活动具有规律性。例如，中午12点用户大概率访问餐馆，半夜12点访问酒吧等。在POI推荐中，如果不考虑时间因素，则可能出现中午11点向用户推荐酒吧，晚上12点向用户推荐餐馆，降低POI推荐效果。……