Recent years have witnessed the rapid prevalence of big data and it is necessary for mobile application to filter out information for users. As a significant means of information retrieval, recommendation system that recommends a ranked list of items to users according to their preferences has become a key functionality in Location-Based Social Networks (LBSNs). Point of interest (POI) recommendation that aims to recommend satisfactory locations that users may be interested in plays an important role in LBSNs. However, the traditional POI recommendation uses the original user-POI matrix, which faces a huge challenge of data sparsity because most users just check in a few POIs in their phones. Moreover, it is hard for POI recommendation to give reasonable explanations on why user will visit these locations that we recommend. Therefore, in terms of the challenges mentioned above, we propose a new POI recommendation model called PR-RCUC that uses region-based collaborative filtering and user-based mobile context. Firstly, we cluster locations into different regions and enhance the traditional collaborative filtering with region factor. Secondly, we capture the preferences of users on mobile context such as geographical distance and location category. Thirdly, by combing the two parts we present, we finish the final computation of prediction score and recommend Top-K locations to users. The results of experiments on two real-world datasets collected from Foursquare demonstrate the PR-RCUC model outperforms some popular recommendation algorithms and achieves our expected goal.

近年来，大数据快速流行，移动应用程序需要为用户过滤信息。作为一种重要的信息检索手段，根据用户的喜好向用户推荐排序的项目列表的推荐系统已成为基于位置的社交网络（LBSN）中的一个关键功能。兴趣点（POI）推荐旨在推荐用户可能感兴趣的令人满意的位置，在 LBSN 中起着重要作用。然而，传统的POI推荐使用原始的user-POI矩阵，面临着数据稀疏性的巨大挑战，因为大多数用户只是在他们的手机中查看了几个POI。此外，POI 推荐很难合理解释用户为什么会访问我们推荐的这些位置。所以，针对上述挑战，我们提出了一种新的 POI 推荐模型，称为 PR-RCUC，它使用基于区域的协同过滤和基于用户的移动上下文。首先，我们将位置聚类到不同的区域，并使用区域因子增强传统的协同过滤。其次，我们捕捉用户对移动环境的偏好，例如地理距离和位置类别。第三，通过结合我们提出的两个部分，我们完成了预测分数的最终计算，并向用户推荐了 Top-K 位置。从 Foursquare 收集的两个真实世界数据集的实验结果表明 PR-RCUC 模型优于一些流行的推荐算法并实现了我们的预期目标。我们提出了一种新的 POI 推荐模型，称为 PR-RCUC，它使用基于区域的协同过滤和基于用户的移动上下文。首先，我们将位置聚类到不同的区域，并使用区域因子增强传统的协同过滤。其次，我们捕捉用户对移动环境的偏好，例如地理距离和位置类别。第三，通过结合我们提出的两个部分，我们完成了预测分数的最终计算，并向用户推荐了 Top-K 位置。从 Foursquare 收集的两个真实世界数据集的实验结果表明 PR-RCUC 模型优于一些流行的推荐算法并实现了我们的预期目标。我们提出了一种新的 POI 推荐模型，称为 PR-RCUC，它使用基于区域的协同过滤和基于用户的移动上下文。首先，我们将位置聚类到不同的区域，并使用区域因子增强传统的协同过滤。其次，我们捕捉用户对移动环境的偏好，例如地理距离和位置类别。第三，通过结合我们提出的两个部分，我们完成了预测分数的最终计算，并向用户推荐了 Top-K 位置。从 Foursquare 收集的两个真实世界数据集的实验结果表明 PR-RCUC 模型优于一些流行的推荐算法并实现了我们的预期目标。我们将位置聚类到不同的区域，并使用区域因子增强传统的协同过滤。其次，我们捕捉用户对移动环境的偏好，例如地理距离和位置类别。第三，通过结合我们提出的两个部分，我们完成了预测分数的最终计算，并向用户推荐了 Top-K 位置。从 Foursquare 收集的两个真实世界数据集的实验结果表明 PR-RCUC 模型优于一些流行的推荐算法并实现了我们的预期目标。我们将位置聚类到不同的区域，并使用区域因子增强传统的协同过滤。其次，我们捕捉用户对移动环境的偏好，例如地理距离和位置类别。第三，通过结合我们提出的两个部分，我们完成了预测分数的最终计算，并向用户推荐了 Top-K 位置。从 Foursquare 收集的两个真实世界数据集的实验结果表明 PR-RCUC 模型优于一些流行的推荐算法并实现了我们的预期目标。