在基于位置的移动社交网络（LMSN）中即时与附近感兴趣的陌生人聊天变得越来越流行。 当前，朋友推荐仅依赖于简单且受限的用户配置文件，并且与现实世界中用户的脱机行为无关。 第一次，我们专注于利用用户在现实世界中的签到行为，而不是一般的基于社交圈的社交圈，立即推荐附近的陌生人交朋友。 但是，以相似的签到行为桥接附近的陌生人具有一些新特征，例如缺乏共同的朋友和互动历史，时间，空间和用户三维关联以及签到稀疏。 现有的有关朋友推荐的大多数工作主要集中在基于熟人的社交圈中结交朋友，而没有充分考虑上述这些新特征。 因此，如何抓住短暂的机会立即推荐附近感兴趣的陌生人仍然是一个挑战。 在本文中，我们提出使用“遭遇”概率根据他们的签到历史记录来衡量两个陌生人在现实世界中的行为相似性。 为了解决签到数据的稀疏性挑战，提出了一种基于核密度估计（KDE）的考虑时空维度的用户签到概率估计方法，以估计每个用户随时间在每个地点的签到概率分布。 最后，我们使用Gowalla的大型用户签入数据集来验证这种方法的有效性。 实验结果表明，我们的方法优于其他常用的相似度计算方法。 从业人员注意-近年来，与附近的陌生人进行查找和
