随着全球定位系统技术、移动设备和互联网的普及与飞速发展,基于位置信息的社交媒体逐渐成为人们日常出行、社交的必备工具。用户会在社交平台上留下足迹,而平台会根据用户签到历史记录,推荐用户可能访问的兴趣点。这可以提高用户体验与平台粘性。因此下一个兴趣点推荐得到广泛的应用和研究。现有的下一个兴趣点推荐方法仍存在着数据稀疏、上下文语义不足等问题,这些问题会降低模型效果。本文使用了多视角建模的方式,从不同视角深入挖掘潜在特征,并将其有机地融入到推荐模型中,以希望获得更好的推荐效果。本文的主要研究工作如下:（1）为了缓解签到数据的数据稀疏性,以及更好地捕捉用户序列转移模式,本文提出了基于多粒度自注意力网络模型。该模型引入了商圈的概念,考虑了天然存在的粗粒度兴趣点,并提出了细粒度视角与粗粒度视角结合的双序列建模方法。此外,该模型使用了自注意力网络与多任务学习,以更高效地推荐下一个兴趣点。最后本文在三个真实数据集上进行实验,验证了模型的有效性。（2）为了能更加准确地获知用户之间,与兴趣点之间的交互模式并针对性地推荐下一个兴趣点,本文提出了一种基于双边协同与对比学习的模型。该模型分别考虑了用户侧以及兴趣点侧下的两条序列,来进行建模。此外,本文首次在下一个兴趣点推荐中使用对比学习方法,学习不同视图之间的互信息。最后本文在两个真实数据集上进行实验,验证了模型的有效性。（3）为了更好地学习兴趣点的嵌入表示,以及更好地捕捉用户、兴趣点,以及类别之间的复杂关系,本文提出了基于异构图神经网络与对比学习的下一个兴趣点推荐方法。该方法在异构图上,分别选取了基于邻接节点的视角以及基于元路径的视角,来捕捉局部和全局的结构信息。接着,本文引入了对比学习方法,来获得更好的嵌入表示。最后本文在两个真实数据集上进行实验,验证了模型的有效性。