随着可穿戴设备的快速发展,基于位置的社交网络(LBSN,Location-based Social Network)越来越受到人们的重视。POI推荐作为LBSN的一个研究热点,它通过对海量签到数据的分析和挖掘,给用户提供个性化的服务。这不仅让平台更加了解目标受众,还为用户带来了极大的便利,也因此在各个领域被广泛应用。与传统的推荐系统相比,POI推荐更具有技术挑战。一方面,用户签到的频率过少导致数据过于稀疏,不能体现用户的动态移动行为,因此大多数关联分析算法效果不佳。另一方面,用户的偏好受到不同因素的影响,具有复杂性和差异性等特点,能否综合全面的考虑用户偏好的多样性则成为了POI推荐的关键所在。为了更好的实现POI个性化推荐,本文采用了深度神经网络的方式将POI推荐看做序列关联的推荐问题,来较好地捕获不同用户行为的时序关系。首先,通过分析时间、空间和上下文信息对用户行为的影响,将用户历史签到的异构数据通过其潜在向量的低维表示,以序列的方式融合嵌入进编码的GRU网络中。然后,在序列到序列的框架下,将GRU应用在POI个性化推荐模型中。在此框架下,由于输入序列长度的可变性容易导致信息丢失,为了解决序列过长而出现信息损失的情况,因此提出了一种基于时空注意力的POI推荐模型(Spatia-Temporal Attention for POI Recommendation,STAPR),使GRU能更好的适用于POI推荐场景。在STAPR模型中,通过全局和局部多层注意力,从不同层面分析构建出基于空间影响的编码器部分。同样地,在解码重构的过程中,通过引入时间注意力机制来对用户签到信息进行建模,这不单解决了随时间增长性能下降的问题,还能更有效地对用户进行推荐。最后,为了验证模型的效果,考虑不同密集度可能对POI模型效果的限制,本文在四个不同密集度的真实签到数据集中进行验证。实验结果表明,STAPR模型在不同密集度的数据集上与现有的方法比较都具有较好的效果,且数据集的密集程度越高表现性能越好,体现了STAPR模型的泛化性能。