实验室论文“Exploiting Geographical Neighborhood Characteristics for Location Recommendation”被第23届信息检索领域国际知名会议（23th ACM International Conference on Conference on Information and Knowledge Management，CIKM2014，IR领域的知名会议）作为长文全文录用。
随着互联网技术的快速发展，各种基于地理信息位置的社交网络应用层出不穷，如BrightKite, Foursquare、Gowalla等，这些应用通常根据当前用户分享的历史check-in信息进行数据挖掘以推断用户的个人兴趣，从而为该用户推荐其可能的感兴趣位置（point-of-interest，POI），从而提升用户体验。但传统的个性化POI推荐研究通常是从用户的角度进行考虑，即考虑与当前被推荐用户历史访问点具有较高相似性的其他用户，并通过从其相似用户历史访问点中找出当前用户未访问点从而向其推荐以完成POI个性化推荐。但是，这些方法通常忽略了从地理位置的角度对该问题建模，即忽略了当前用户历史访问点的临近地理位置中存在的用户兴趣分布，即一个用户可能访问法国美食一条街中某家餐厅，但不代表该用户对该美食街中的其他法国餐厅不感兴趣。基于该假设，我们提出了一种新的POI个性推荐算法，在算法中我们通过修改协同过滤方法中核函数（kernel function）来引入个人用户在历史访问点临近位置上的兴趣分布以对该问题建模，同时引入了group-lasso对用户在临近区域（geographical region）上的兴趣分布进行度量，从而推断用户与地理位置之间隐式的关联关系以完成POI个性化推荐。通过在多个真实数据集上的实验表明，该方法较已有方法在POI推荐精确性上有较大提升。