兴趣点的推荐与人的出行息息相关,它能为出行提供良好的选择,兴趣点签到分享也是目前社交网络上的热门内容。将知识图谱与推荐系统融合,能有效提高推荐结果的精准性。就目前而言,兴趣点推荐系统仍存在推荐精度不高,知识图谱的元路径设计不佳,用户特征融合不足的问题。针对这些问题,本文的主要研究内容和创新点包括:（1）针对兴趣点推荐精度不高的问题,本文提出了一个基于知识图谱的兴趣点推荐系统框架,旨在提高特征提取能力,提升预测的精确度。系统框架主要包括预处理、训练、召回、预测几个环节。其中训练环节包含上游训练与下游训练两个部分,在上游环节提出了基于知识图谱的带权多重元路径学习方法,在下游环节提出了引入时间门与频率门的长短期记忆网络,并结合基于图注意力网络的好友偏好传播。最后基于兴趣点的属性进行召回并推荐。通过在Gowalla数据集上进行实验,本文验证了框架的推荐效果,与经典兴趣点推荐模型进行对比,本推荐框架对召回率与精确率均有提升。（2）针对知识图谱的元路径设计问题,本文提出了基于知识图谱的带权多重元路径学习方法。该算法利用Metapath2Vec方法,通过元路径设计,对节点序列做上下文预测,训练知识图谱的嵌入向量,并在训练中对不同的元路径给予不同权重。通过实验对比已有的无权重算法,本文提出带权多重元路径学习方法表现出了更好的召回率与准确率,增加了知识图谱训练效果。（3）针对用户特征融合不足的问题,本文基于用户签到特征,提出了引入时间门与频率门的长短期记忆网络,并将该网络与基于图注意力网络的好友偏好传播结合,从多方面提取特征。在长短期网络中,通过时间门与频率门处理用户的签到时间间隔与单位时间签到频率,对用户的时间与频率特征进行学习。对于图神经网络,基于其与社交网络的相似性,对好友间的偏好进行交叉传播以增强偏好表示。通过实验,结果表明本文提出的算法能够捕捉用户签到特征,促进用户间的偏好传播效果,提高了相关的指标。本文针对兴趣点推荐的问题,提出了相应的推荐框架和算法,很好地解决了现有框架和算法所面临的问题,能够为推荐系统相关领域提供一定的借鉴。同时,针对兴趣点推荐的相关研究成果,也能为系统实践带来一定的社会效应。