随着基于位置社交网络的兴起,获取位置信息变得越来越容易,使得数据量不断增加造成了严重的信息过载问题。在缤纷复杂的数据下,用户往往很难快速做出选择,为了缓解用户面临的选择困难,基于位置的个性化兴趣点推荐越来越受到关注。相比于传统推荐,基于位置的推荐加入了用户的位置信息,它既是有价值的信息又是一种用户活动的限制,更加具有环境感知能力需要更具有个性化。由于用户签到受自身位置的很大局限性造成签到矩阵极度稀疏性问题,给传统推荐技术带来了严峻的挑战,难以给用户提供高质量的推荐。同时,基于位置社交网络是典型的异构网络,而现有研究主要是针对单一类型节点进行同构网络的研究,这会丢失很多异构网络中重要有价值的信息。为了缓解签到数据的稀疏、异质性、传统算法推荐精度低等问题,本文对基于异构网络表示学习的兴趣点推荐方法进行了探讨。首先,本文针对位置网络的签到稀疏性、异质性问题结合网络表示学习技术,提出一种基于位置的异构随机游走兴趣点推荐算法。通过充分考虑位置网络中各节点间的内部联系构建异构信息网络,使用网络表示学习技术学习节点的特征表示可以有效缓解数据稀疏性问题。同时,使用异构随机游走策略可以有效解决网络中节点异质性问题。根据节点的特征表示计算得到用户对兴趣点的偏好列表生成推荐。然后,通过分析签到属性信息如时间、语义等对用户签到行为的影响,对上述方法进行改进,提出一种基于元路径的异构随机游走兴趣点推荐算法。在异构信息网络的构建中加入属性节点,可以更好地刻画现实世界。在游走策略中引入元路径,可以更好的约束游走的方向使其更具有现实意义。最后,本文将所研究方法在Foursquare和Gowalla两个数据集上进行实验与分析,验证了算法的有效性提升了推荐质量。