La recommandation de points d'intérêts est devenue une caractéristique essentielle des réseaux sociaux géo-localisés qui a accompagné l'émergence des échanges massifs de données digitales. Cependant les faibles densités de points d'intérêts visités par les utilisateurs rendent le problème difficile à traiter, d'autant plus que les espaces de mobilité des utilisateurs sont très hétérogènes, allant de la ville au monde entier. Dans ce papier nous explorons l'impact d'une approche de clustering spatial sur la qualité de la recommandation. Notre approche est basée sur un modèle de factorisation de matrices de Poisson et un réseau social inféré des différents comportements de mobilité. Nous avons conduit une évaluation comparative des performances de notre approche sur un jeu de données réaliste. Les résultats expérimentaux montrent que notre approche permet une précision supérieure aux techniques de recommandation alternatives.