随着基于位置的社交网络（LBSN）迅速发展，作为缓解信息过载的有效手段，兴趣点（POI）推荐备受关注。由于用户签到数据是隐式反馈数据，且十分稀疏，为了有效地从用户签到数据中捕获用户POI偏好，提出了一个基于地理偏好排序的POI混合推荐模型。首先，考虑用户签到数据的隐式反馈特性及用户活动的空间约束，利用传统贝叶斯个性化排序（BPR）模型计算POI距离对POI排序的影响，提出加权BPR（GWBPR）模型；然后，针对用户签到数据的稀疏性，融合GWBPR模型和逻辑矩阵分解（LMF）模型，提出混合模型GWBPR-LMF。在两个真实数据集Foursquare和Gowalla上的实验结果表明，GWBPR-LMF模型的性能优于BPR、LMF、SAE-NAD（Self-Attentive Encoder and Neighbor-Aware Decoder）等对比模型。与较优的对比模型SAE-NAD相比，GWBPR-LMF模型的POI推荐的精确率、召回率、F1值、平均精度均值（mAP）、归一化折损累积增益（NDCG）在数据集Foursquare上分别平均提升了44.9%、57.1%、78.4%、55.3%和40.0%，在数据集Gowalla上分别平均提升了3.0%、6.4%、4.6%、11.7%和4.2%。

空间co-location模式是一组空间特征的子集，它们的实例在邻域内频繁并置出现。通常，空间co-location模式挖掘方法假设空间实例相互独立，并采用空间实例参与到模式实例的频繁性（参与率）来度量空间特征在模式中的重要性，采用空间特征的最小参与率（参与度）来度量模式的有趣程度，忽略了空间特征间的某些重要关系。因此为了揭示空间特征间的主导关系而提出主导特征co-location模式。现有主导特征模式挖掘方法是基于传统频繁模式及其团实例模型进行挖掘，然而，团实例模型可能会忽略非团的空间特征间的主导关系。因此，基于星型实例模型，研究空间亚频繁co-location模式的主导特征挖掘，以更好地揭示空间特征间的主导关系，挖掘更有价值的主导特征模式。首先，定义了两个度量特征主导性的指标；其次，设计了有效的主导特征co-location模式挖掘算法；最后，在合成数据集和真实数据集上通过大量实验验证了所提算法的有效性以及主导特征模式的实用性。

空间并置（co-location）模式是指其实例在空间邻域内频繁共现的空间特征集的子集。现有的空间co-location模式挖掘的有趣性度量指标，没有充分地考虑特征之间以及同一特征的不同实例之间的差异；另外，传统的基于数据驱动的空间co-location模式挖掘方法的结果常常包含大量无用或是用户不感兴趣的知识。针对上述问题，提出一种更为一般的研究对象——带效用值的空间实例，并定义了新的效用参与度（UPI）作为高效用co-location模式的有趣性度量指标；将领域知识形式化为三种语义规则并应用于挖掘过程中，提出一种领域驱动的多次迭代挖掘框架；最后通过大量实验对比分析不同有趣性度量指标下的挖掘结果在效用占比和频繁性两方面的差异，以及引入基于领域知识的语义规则前后挖掘结果的变化情况。实验结果表明所提出的UPI度量是一种兼顾频繁和效用的更为合理的度量指标；同时，领域驱动的挖掘方法能有效地挖掘到用户真正感兴趣的模式。

 针对关联规则数据挖掘在实际应用中出现的问题:不能挖掘小概率事件中的关联规则, 提出了基于概率分布的加权关联规则挖掘算法。该算法同时改进了加权支持度计算方法,保持 Apriori算法的频繁集向下封闭的特性,并在实践中得到了有效的应用。

提出了一种新的基于网格距离的聚类算法。该算法不仅克服了K 代表点算法中必须事先给定K值、难以确定初始代表点、聚类结果的现实意义难以描述等缺点,而且克服了基于网格的聚类算法中要求数据必须在空间密集的缺陷。通过实验验证了新算法的正确性和有效性。