La recomendación de puntos de interés (POI) ha sido bien estudiada en los últimos años. Sin embargo, la mayoría de los métodos existentes se centran en escenarios de recomendación donde los usuarios pueden proporcionar retroalimentación explícita. En la mayoría de los casos, sin embargo, la retroalimentación no es explícita, sino implícita. Por ejemplo, solo podemos obtener los comportamientos de registro de un usuario a partir del historial de los POIs que ha visitado, pero nunca sabemos cuánto le gusta y por qué no le gustan. Recientemente, algunos investigadores han notado este problema y han comenzado a aprender las preferencias del usuario a partir del orden parcial de los POIs. Sin embargo, estos trabajos dan el mismo peso a cada par de POIs y no pueden distinguir las contribuciones de diferentes pares de POIs. Intuitivamente, para los dos POIs en un par de POIs, cuanto mayor sea la diferencia de frecuencia de visitas y mayor sea la distancia geográfica entre ellos, mayor será la contribución de este par de POIs a la función de clasificación. Basándonos en las observaciones anteriores, proponemos un método de clasificación ponderada para la recomendación de POIs. Específicamente, primero introducimos un criterio de clasificación personalizada bayesiana diseñado para retroalimentación implícita en la recomendación de POIs. Para aprovechar al máximo el orden parcial de los POIs, tratamos la función de costo de manera ponderada, es decir, damos a cada par de POIs un peso diferente según su frecuencia de visitas y la distancia geográfica entre ellos. El análisis de datos y los resultados experimentales en dos conjuntos de datos del mundo real demuestran la existencia de preferencias del usuario en diferentes pares de POIs y la efectividad de nuestro método de clasificación ponderada.