随着5G、WiFi等网络技术的发展和智能移动设备的普及,基于位置的社交网络（LBSN,Location-based Social Network）已成为人们关注的焦点。兴趣点（Point-of-Interest,POI）推荐作为LBSN领域的一个研究热点,它通过对海量的签到数据进行分析和挖掘,为用户提供个性化的兴趣点推荐。这不仅让POI服务商更加充分理解目标受众,而且为用户自主出行提供更为便利的信息支撑。因此,兴趣点推荐在出行旅游、休闲娱乐、共享经济等领域得到广泛应用。与传统的推荐技术相比,POI推荐在技术层面更具挑战性。POI推荐根据用户的历史签到数据结合用户的访问偏好,对用户下一步的POI访问点进行预测,进而产生推荐。当前POI推荐准确性不高、个性化不强,其原因主要有两个方面:一方面,用户签到信息的离散性并不能体现用户的连续行为,且用户签到信息少于兴趣点的数量,数据的稀疏使得大部分关联分析算法效果不佳;另一方面,用户的行为会受到诸多因素的影响,如用户偏好、社交关系、空间因素、时间因素等,因素考虑不周全会直接影响到推荐的效果。另外,现有的POI推荐都是集中在单个的POI推荐,缺乏POI路径的推荐,如何更好地为用户提供POI推荐服务,成为了当前该领域的研究重点。本文面向POI推荐中数据稀疏性和路径推荐缺乏个性化的问题,对POI数据扩展和POI路径推荐开展研究,提出了一种基于上下文信息的POI路径推荐方法,该方法有POI数据集的扩展和POI路径的生成两个过程组成。第一部分为POI数据集的扩展过程。在这个过程中,本文充分利用用户的POI访问记录的上下文信息,通过使用融合注意力机制的Seq2seq方法,分别使用不同的编码器并融合局部和全局注意力机制,来获取用户在签到过程中的局部信息和全局信息,更加全面地考虑用户的POI访问偏好,从而进行POI签到数据的预测扩展,解决POI数据稀疏性的问题。第二部分为POI路径的生成过程。在融合社交和地理信息的POI路径生成的过程中,主要实现了对于POI路径的推荐列表的生成。通过考虑用户之间的社交关系和地理距离的因素,生成关键POI的集合,并使用关联规则来进行路径的生成。本文在两个知名的POI公开数据集:Foursquare和Gowalla上进行了实验验证,实验结果表明:本文提出的方法能够充分利用用户签到的上下文信息准确补全缺失的POI签到数据并进行POI路径推荐,在推荐的性能方面与其他主流方法相比具有更好的效果,为POI服务商带来个性化服务水平的提高,增强其服务的用户黏度和满意度,进而会产生可观的社会和经济效益。