最近,由于基于地理位置的社会网(LBSNs)的不断应用,许多基于此开发的app(比如美团、百度地图、大众点评等)的不断兴起,POI(Point-of-Interest)推荐的问题越来越引起人们的兴趣。用户需要POI推荐来解决他们“下一步去哪”的问题,同时,POI推荐也广泛的被应用到2B、2C等领域。本文主要解决的问题是基于时空信息和社会网的POI推荐问题,包括如下三个子问题:首先,本文根据POI推荐算法中的地理位置信息,通过对用户常打卡的POI进行聚类,划分用户常活动的区域,提出了对区域内和区域外的模型赋予不同的权重的ABPR模型。同时,模型改进了推荐算法中排序部分的思路,使用了BPR的排序方法改进了排序部分。实验表明,ABPR模型在准确率,召回率方面相对于其他模型有一定的提高。其次,本文分析了用户打卡行为的时间信息和类别信息,提出了CTPR模型。模型按时间段分析了用户打卡的POI的类别信息(如餐厅、健身房等),借此分析用户的生活规律(例如用户会在下午一点吃午饭等),以此对用户进行更加个性化的推荐。再次,本文分析了用户的社交信息和对POI的情感,提出了SDMF模型。模型首先利用卷积神经网络分析了用户对POI的评论以分析用户对POI的真正态度,同时通过随机游走的方法确定用户的朋友,通过分析朋友们的偏好和用户对其他POI的情感分析用户对POI的偏好,从而进行推荐。最后,我们在真实的数据集上,对这三种模型的实验效果进行评估。实验结果表明:我们提出的ABPR方法、CTPR方法和SDMF方法与经典的和最新的POI推荐方法相比,在准确率和召回率上均有一定提升。