近些年,商品推荐模型越来越多的融入了用户个人相关信息,这些信息有效的增强了用户与商品之间的粘合度,提高了推荐的准确度。基于用户信息的个性化推荐算法已经成为重点研究方向,针对于不同类别的用户,推荐结果也呈现多样性,其中基于地域划分和情感分析的推荐方法逐渐体现出越来越重要的地位。地理区域的不同影响着用户兴趣的变化。同时,时间因素对于评论情感的极性的变化有着一定的影响,进而影响着用户的抉择,一些研究没有着重考虑这些问题。针对于上述问题,本文的主要工作包括以下4点:1.提出了基于地理标签和用户评论情感分析的兴趣点推荐模型(Point-of-Interest Recommendation Model Based on Geo-Tagging and Sentiment Analysis of User Reviews,GTSA),实现了用户的本地和外地推荐。2.通过对兴趣点内容描述文本信息的扩充,实现了兴趣点之间相似性的度量,从而构建出基于内容的推荐模型。3.提出了一套对于无标签评论数据情感挖掘的方法,从而获得兴趣点评论的情感极性偏好,并将时间窗口和用户评论的情感值结合,分析得出兴趣点整体评论的情感极性。4.在推荐列表排序阶段,构建了两种兴趣点的排序方法,基于本地用户的排序方法和基于外地用户的排序方法。在本地推荐中,将整体评论的情感走向与基于用户历史记录相似兴趣点结合,建立新的评分模型,得到兴趣点推荐评分,进而得出符合用户个人兴趣的本地推荐。在外地推荐中,将兴趣点情感极性与评论数量结合,提出了兴趣点热度的衡量方式,并与本地推荐中的评分方式混合排序,实现对于用户外地兴趣点的推荐。在数据集Yelp和Foursquare上进行了实验验证,结果表明本文给出的GTSA模型在推荐的准确率上有一定提高。