La recomendación de PDI (punto de interés) como una de las técnicas de filtrado de información eficientes se ha utilizado ampliamente para ayudar a las personas a encontrar lugares que es probable que visiten, y se han propuesto muchos métodos relacionados. Aunque se han estudiado los métodos que explotan la información geográfica para la recomendación de PDI, pocos de estos estudios han abordado el problema de la retroalimentación implícita. De hecho, en la mayoría de las redes sociales basadas en la ubicación, las preferencias negativas del usuario no son observables de manera explícita. En consecuencia, no es apropiado tratar la recomendación de PDI como un problema de recomendación tradicional. Además, los estudios anteriores exploran principalmente la información geográfica desde la perspectiva del usuario y los métodos que las modelan desde una perspectiva de ubicación no han sido bien explorados. Por lo tanto, este trabajo se concentra en explotar las características geográficas desde una perspectiva de ubicación para la retroalimentación implícita, donde se propone un método de clasificación personalizada bayesiana consciente del vecindario (NBPR). Específicamente, se introduce primero el marco bayesiano ponderado que se propuso para la clasificación personalizada como nuestro método básico de recomendación de PDI. Para explotar las características geográficas desde una perspectiva de ubicación, luego restringimos la pérdida de clasificación utilizando un término de regularización derivado de las ubicaciones, y asumimos que los PDI vecinos más cercanos son más propensos a ser visitados por usuarios similares. Finalmente, se realizan varios experimentos en dos redes sociales del mundo real para evaluar el método NBPR, donde podemos encontrar que nuestro método NBPR tiene un mejor rendimiento que otros algoritmos de recomendación relacionados. Este resultado también demuestra la efectividad de nuestro método con información de vecindario y la importancia de las características geográficas.