互联网数据给用户带来更及时、更广泛信息的同时,也面临着信息过载、质量差异的问题,例如当某用户在“美团”上搜索某个场所时,会出现数十个地方,这样用户很难做出选择,这时基于位置的兴趣点(POI)推荐显得很重要,因为它可以帮助用户导航多个候选POI并根据用户最近的登记信息提供最佳POI。然而位置推荐不同于商品推荐,位置推荐对时间和位置有严格的要求,位置不合适和时间不合理,都很容易产生系统推荐的位置用户很难到达,或者一个用户很喜欢健身但半夜给他推荐健身房等不合理推荐的出现,另一方面位置社交网络数据中用户能签到的POI数量极少,使用经典协同过滤推荐算法存在用户—POI数据极度稀疏并且依赖于先验知识提取数据特征,有效性和可扩展性非常有限的问题。基于以上考虑本文提出连续POI的推荐,旨在将时间和地理因素融入推荐系统,利用深度学习通过一种端到端的过程学习数据特征,提取出更深层次的数据特征,缓解了协同过滤推荐方法依赖于先验知识提取数据特征和用户--POI数据极度稀疏的问题。考虑到用户签到关系是一个长期依赖关系,CNN卷积神经网络擅长提取潜在的特征,LSTM长短期记忆模型擅长解决长时依赖问题,所以实验中采用CNN和LSTM相结合的方法进行特征提取。实验中给定用户的t时刻,依据t-1,t-2....t-n时刻的签到数据,预测出t时刻签到的经纬度,通过查询POI经纬度表,计算出距离最近的前N个POI作为推荐,以达到系统根据用户当前时间和连续历史签到记录给予推荐的目的。最后在Gowalla和Foursquare两个真实数据集上对本文模型进行实验,结果表明本文提出的POINET(Point of Interest neural network)模型性能好于之前的工作。