移动技术及LBSN的迅猛发展使人们容易获取到多种类型的信息资源。用户乐于在LBSN中分享个人体验并希望获得精准的个性化服务,因此POI推荐应运而生。本文针对基于多种因素影响的POI推荐及连续POI推荐问题进行研究,主要研究工作及贡献如下:第一,提出了基于时间与社交关系的POI推荐模型TPR-TF。传统的POI推荐通常人为地对时间段进行均匀划分,社交关系上也只考虑邻接朋友的影响,无法满足用户的个性化需要。本文设计了一种层次聚类的时间动态分段策略能够满足用户对时间的敏感性要求,使推荐结果可以随时间动态变化。同时将直接朋友与潜在朋友的共同影响加入POI推荐模型中,进一步扩大了社交关系影响范围。此外为改善模型性能,设计一种利用POI访问频次分布随机选择POI的方法改进了经典的BPR方法。实验结果表明,在真实的Gowalla和Brightkite数据集上,TPR-TF模型相比众多主流POI推荐模型具有更高的精确率和召回率。第二,提出了基于文本语义与图像特征的POI推荐模型TSIFP。以往POI推荐常忽略能够带来丰富隐性特征的多媒体信息,比如文本、图像。TSIFP模型利用深度学习技术,分别从文本、图像信息中获得与POI相关联的文本语义与图像特征,利用概率矩阵分解使二者的作用相互结合,不仅增强了用户选择POI的偏好理解,还能够进一步缓解数据的稀疏性从而获得更好的模型性能。同时该模型是基于社交网络多媒体信息构建的基本的POI推荐模型,能够结合其他因素获得各种融合的推荐模型,模型扩展性强。实验结果表明,在真实的Instagram数据集中,与当前主流模型相比TSIFP模型获得了更好的模型性能。第三,提出了基于空间、时间、社交关系的连续POI推荐模型SpTeSo_SPOI。与POI推荐不同,连续POI推荐对于时间、空间的敏感度要求较高。SpTeSo_SPOI模型利用空间、时间、社交关系的相互关联影响构建模型,使推荐结果能够随着不同时间、POI的不同地理位置、不同社交关系的动态变化而改变。为加强模型的学习能力,设计了基于位置偏序与时间偏序两种方法进行连续POI推荐的个性化学习。该两种方法可适用于其他连续POI推荐模型,具有通用性。实验结果表明,SpTeSo_SPOI模型在Foursquare和Gowalla两个真实的数据集上的F1-score优于多个主流的连续POI推荐模型,采用两种偏序方法学习而获得的模型均能取得较好的推荐性能。第四,提出了用户行为序列偏好和文本语义、图像特征联合的连续POI推荐模型USTI_SPOI。现有的连续POI推荐大多只是基于序列信息进行推荐,尚没有利用文本、图像等多媒体信息结合序列信息共同作用的连续POI推荐模型。USTI_SPOI模型应用两种深度神经网络,获取用户序列行为上的长、短期偏好和多媒体信息中隐含的用户偏好,最终利用用户与POI的隐性特征的联合结果构建连续POI推荐模型。实验结果表明,在Instagram数据集上USTI_SPOI模型优于众多主流的连续POI推荐模型,F1-score较其他主流模型相比有了明显的提高。