随着智能设备的普及和移动互联网技术的迅速发展,基于位置的社交网络（Location-based Social Networks,LBSNs）开始变得普遍和流行。兴趣点（Point-of-Interest,POI）推荐作为LBSNs中核心的智能应用,能够通过用户在社交网络上记录的历史移动轨迹预测用户将要访问的下一个兴趣点。然而现有对这项技术的研究仍然面临着两个挑战。首先,用户的历史签到轨迹蕴含了用户在物理世界的序列转移模式,这对预测用户的下一个签到行为至关重要。然而用户的序列模式往往是高阶的并且具有复杂的时空依赖性,很难有效地学习。其次,用户在长期的签到历史中的兴趣偏好是复杂多样且动态变化的,对用户长期和短期的偏好同时建模非常重要。然而现有方法很难有效地学习用户动态的长短期偏好,且忽略了这两种偏好之间的相互作用。针对以上的挑战,本文的工作主要包括以下三个方面。（1）为了有效地捕捉用户签到行为中复杂的序列转移模式,提出了一种基于时空自注意力网络的序列偏好模型。该模型利用签到序列内部兴趣点之间的时间间隔和地理距离信息分别构建相对时间编码和地理注意力权重来改进标准的自注意力网络。该网络可以充分地学习签到序列内任意两个兴趣点之间复杂且细粒度的转移依赖,即语义、时间和空间关系。（2）为了进一步学习用户复杂且动态的兴趣偏好,在时空自注意力网络的基础上提出了一个记忆增强的层级注意力网络,以此实现同时对用户长期偏好和短期偏好动态地建模。对于长期偏好学习,我们使用键-值记忆网路来存储用户细粒度的潜在偏好,并设计了记忆网络的读/写操作使得网络能够根据用户不断更新的签到记录动态的管理用户的长期记忆。最后,我们设计了一个长短期协同注意力网络来捕捉长期偏好和短期偏好之间的潜在联系和相互作用。（3）我们在两个真实的LBSN数据集上进行了广泛的实验仿真,将所提出的方法与现有具有代表性的推荐方法进行对比,结果表明所提出的方法在多个评价标准上性能都有明显的提升,证明了我们提出的模型的有效性。同时通过消融实验验证了所提出模型的各个模块都是有效的。