随着移动互联网和定位技术的快速发展,用户通过移动设备可以很轻松的获取到自己的位置信息,这也催生了许多基于位置的社交网络(LBSN)平台,用户通过平台上签到就可以分享他们日常生活中访问过的兴趣点,平台也推出了推荐服务提高用户的生活体验,特别是兴趣点推荐极大的方便了用户对周边兴趣点的探索。一个优秀的推荐服务可以在任何时候通过建模分析用户的历史行为,就能给用户推荐出此时此刻他最可能感兴趣的新兴趣点。本文为了融合LBSN推荐服务中影响兴趣点推荐的三大主要因素:用户社会好友关系、兴趣点地理空间位置、时间信息去提高兴趣点推荐的效果,我们提出了一种基于图模型的兴趣点推荐算法,并且这种兴趣点推荐是时间感知的推荐。为了降低推荐算法的整体复杂度,我们首先利用聚类算法在用户图上进行了用户聚类,其中聚类算法中确定初始聚类中心是利用了寻找图的最稀疏子图算法,然后通过聚类中心的迭代更新、合并聚类,得到最终的用户聚类结果。之后在聚类结果的每个群组中分别建立包含有六个二分图(用户-用户、用户-兴趣点、用户-时间、兴趣点-兴趣点、兴趣点-用户、兴趣点-时间)的大型异构网络图,这个异构网络图是在融合了以上三种影响兴趣点推荐因素而建立的,之后通过LINE模型算法的训练学习得到表示用户、兴趣点、时间的顶点嵌入向量。为了加快训练速度,我们进一步利用了负采样和Alias取样方法优化LINE模型算法。然后我们利用用户、兴趣点、时间这三种顶点嵌入向量就可以计算出用户访问新兴趣点的预测分,并按预测分高低选取top-N个兴趣点推荐给用户。最后我们通过Gowalla数据集对本文算法进行了仿真实验,实验结果表明我们的算法在时间感知上的推荐优于本文中对比的其它三种推荐算法,达到了预期的实验效果。