个性化位置推荐算法研究是近年来一个热门的讨论话题,而社交媒体平台中大量签到数据的收集使得平台向用户提供精准的位置推荐服务成为可能。现有的工作通过研究用户历史签到数据中蕴含的时空信息,向用户提供位置推荐服务。然而现有算法却忽略了用户行为的时间相关性以及同类型位置在空间的聚集分布对用户位置访问的影响;此外,现有算法忽略了用户在跨域位置访问场景下特有的时空访问模式。针对上述问题,本文进行如下研究:（1）提出一种实时行为预测算法（Real Time Behavior Prediction,RTBP）,用于挖掘用户活动的时间相关性,并向用户提供实时的行为预测。该算法使用模糊分派方法将用户签到数据转化为一组跨越多个时间段的用户行为数据,并使用基因算法确定访问不同类型位置对临近时间的影响范围;然后该算法基于随机游走模型预测用户对行为的实时偏好概率。最终通过实验对比,本文提出的RTBP算法在不同的数据集上的行为推荐准确率分别提升了10.56%、7.26%、7.32%和5.30%。（2）提出一种基于吸引力的空间模型（Attraction-based Spatial Modelling,ASM）,该算法分别研究了同类型位置在空间的聚集现象对用户进行位置访问的空间影响以及用户个性化的空间访问偏好。此外,本文结合RTBP行为预测算法和ASM空间模型,提出一种融合时间信息的个性化位置推荐算法Geo RTGA,通过与现有的位置推荐模型对比,本文的Geo RTGA算法在四个签到数据集上的位置推荐准确率分别提升了36.62%、64.65%、69.10%和60.87%。（3）提出一种融合访问者时空模型的跨域位置推荐算法CRLR+Vo STM。该算法重点研究了用户在进行跨域位置访问时出现的兴趣漂移问题,并通过结合相似用户的行为模式向用户提供跨域行为预测;此外,该算法分别从本地用户和游客用户的角度挖掘各自的空间访问模式。通过与现有算法对比,本文提出的CRLR+Vo STM算法在不同数据集上的跨域位置推荐准确率分别提升了78.60%、41.04%、139%以及5.33%。综上所述,本文通过融合用户的时空访问模式提出了个性化位置推荐算法和跨域位置推荐模型,与现有方法对比,能够取得更好的位置推荐准确率和召回率,解决了现有位置推荐算法的不足,同时也证明了本文的研究具有较大的实际意义。