رشد سریع شبکه‌های اجتماعی مکان‌مبنا به‌واسطه‌ی جذب میلیون‌ها کاربر، نشان از محبوبیت زیاد آن‌ها در مدت‌زمانی کوتاه دارد. با تجزیه‌و‌تحلیل داده‌های این شبکه‌ها درزمینه‌ی مکانی، زمانی و اجتماعی، می‌توان سرویس‌های ﻣﺘﻨﻮع ﻣﻜﺎن‌ﻣﺒﻨﺎ اراﺋﻪ کرد. سیستم‌های توصیه‌گر ازجمله سرویس‌های مکان‌مبنای محبوب این شبکه‌ها محسوب می‌شود. سیستم‌های توصیه‌گر، با بهره‌گیری از تکنیک‌های آماری و تکنیک‌های کشف دانش، به توصیه مکان‌های جدید و کاهش مشکلات ناشی از حجم زیاد داده‌ها می‌پردازند. هدف پژوهش حاضر، ارائه روشی نوین برای توصیه مکان‌های جدید به کاربران بر اساس پیشینه مکانی آن‌ها است. روش ارائه‌شده، مجموعه‌ای از مکان‌های نزدیک به موقعیت کاربر را با در نظر گرفتن شرایط زمانی، فاصله جغرافیایی بین کاربران و همچنین ترجیحات مکانی کاربر که به‌طور خودکار از پیشینه مکانی او به دست می‌آید، پیشنهاد می‌دهد. در این روش، از پالایش محتوای اطلاعاتی، در راستای برآورد میزان علاقه کاربر به مکان‌های بازدید شده استفاده می‌شود. از پالایش مشارکتی نیز برای محاسبه مشابهت بین کاربران و پیش‌بینی میزان علاقه کاربر هدف به مکان جدید، بر اساس تجمیع امتیازات داده‌شده توسط کاربران مشابه، استفاده می‌شود. درنهایت ترکیب این دو روش، امکان ارائهk مکان دیدنی را در فاصله D_2 از کاربر سواره در بازه زمانی فعلی فراهم می‌‌سازد. در این مقاله از داده‌های نقطه-مکان شبکه Gowalla مربوط به شهر پکن چین در بازه زمانی بین اکتبر 2011 تا نوامبر 2011 استفاده‌شده است. به‌منظور بررسی عملکرد روش پیشنهادی، نتایج به‌دست‌آمده ازاین‌روش، با نتایج دو روش پایه در سیستم توصیه‌گر مقایسه شد. درنهایت توصیه مکان توسط این روش، نسبت به روش‌های توصیه کاربر آگاه بر اساس پالایش مشارکتی به روش باینری و GM-FCF، به ترتیب حدود 15 و12 درصد افزایش دقت را نشان می‌دهد.