L'explosion des volumes de données circulant sur les réseaux sociaux géo-localisés (LBSN) rend possible l'extraction des préférences des utilisateurs. En particulier ces préférences peuvent être utilisées pour recommander à l'utilisateur des points d'intérêt en adéquation avec son profil. Aujourd'hui la recommandation de points d'intérêt est devenue une composante essentielle des LBSN. Malheureusement les méthodes de recommandation traditionnelles échouent à s'adapter aux contraintes propres aux LBSN, telles que la ”sparsité” très élevée des données, ou prendre en compte l'influence géographique. Dans ce papier nous pré- sentons un modèle de recommandation basée sur la factorisation de Pois- son qui offre une solution efficace à ces contraintes. Nous avons testé notre modèle via des expérimentations sur un jeu de données réaliste issu du LBSN Foursquare. Ces expériences nous ont permis de démon- trer une meilleure qualité de recommandation que 3 modèles de l'état- de-l'art.