[目的/意义]在现有的兴趣点推荐工作普遍存在数据稀疏和低精确率问题的基础上,提出了一种融合潜在兴趣和多类型情景信息的兴趣点推荐模型.[方法/过程]该模型分为矩阵填充和矩阵分解两个阶段.首先利用社交和地理信息建立矩阵填充模型,为每个用户学习一组待填充兴趣点.其次,将分类信息嵌入加权矩阵分解模型来学习用户偏好.最后,采用自适应核密度估计对地理影响建模,结合矩阵分解的结果得到GSC-WMF模型.[结果/结论]实验结果表明,该模型在推荐的准确率和召回率上相较其他主流模型取得了更好的结果.[创新/局限]提出了矩阵填充模型来发掘用户的潜在兴趣,并有效地将融合分类信息来解决用户隐式信息反馈问题.在未来的研究工作中,将考虑利用深度学习技术来改善推荐性能.