近年来,基于位置的信息服务快速发展,诸如旅游景点、餐饮等兴趣点在基于位置的服务上不断积累,呈现指数级别的增长,兴趣点推荐应运而生。兴趣点推荐的任务就是帮助用户从海量级的兴趣点数据中找到符合用户偏好的兴趣点。如何利用用户历史访问信息有效地给用户偏好建模,为用户预测下一次想要访问的位置,是兴趣点推荐的研究热点。兴趣点推荐与传统的推荐相比面临更加严峻的问题,第一,用户-兴趣点的签到矩阵具有高稀疏性,仅利用签到矩阵去建模用户偏好,降低了推荐性能。第二,兴趣点的签到数据中包含很多不同类型的上下文信息,如评论、标签等文本信息,虽然评论信息可以有效的缓解签到矩阵稀疏所带来的问题,但是现有的兴趣点推荐算法中大都对评论信息没有区分,导致提取出的特征信息缺乏准确性。针对上述问题,本文提出了改进算法,具体工作如下。(1)针对用户-兴趣点签到矩阵高稀疏性问题,本文提出一种将用户的相关文本信息与签到矩阵相结合的方法来计算用户的相似度矩阵,并在推荐生成阶段提出了一种动态预测法,动态填补缺失的访问概率,进一步缓解数据稀疏,提高兴趣点的推荐性能。对于文本信息,本文利用潜在的狄利克雷分配(Latent Dirichlet Allocation,LDA)主题模型挖掘用户的兴趣主题,对用户主题特征向量进行相似性计算,然后融合签到矩阵进行相似度度量。在真实数据集上的实验结果表明,基于相似度融合和动态预测的兴趣点推荐算法有效缓解了数据稀疏性和冷启动问题,推荐性能优于传统的推荐算法。(2)针对现有兴趣点推荐算法缺乏对评论信息进行重要性划分的问题,本文提出一种基于签到数据的卷积神经网络兴趣点推荐模型。首先利用签到数据从用户专业度和信任度两个方面建立一个专家模型;其次利用专家模型对不同用户的评论信息进行分离;然后利用两个平行卷积神经网络对分离后的评论信息文档进行深层次特征挖掘,并在顶层建立共享层对两个卷积神经网络进行合并;最后将卷积神经网络模型融入到概率矩阵分解模型中进行评分预测,生成物品推荐列表进而推荐给用户。该模型在Yelp的数据集上进行实验,结果表明该算法与其他同类先进算法相比有更好的推荐效果。