随着人们生活观念的改变,出门旅游逐渐成为很多人的爱好。兴趣点（Point-of-Interest,POI）推荐系统在人们的生活中发挥着越来越重要的作用,它可以向用户推荐未访问过的POI,因此,它在学术界和业内引起了极大的重视。为了满足用户对兴趣点推荐服务的强烈需求,基于地点的社会网络（LBSNs）迅速发展,为POI推荐带来了广阔的机遇。然而,随着用户和POI的大量增加,POI推荐系统仍面临着几个具有挑战性的问题:首先,由于用户只签入LBSN中的几个POI,这使得用户的签到数据是一个高度稀疏的矩阵,因此给学习用户的潜在特征带来一定的难度。其次,用户在现实世界中的活动受到空间距离和社交关系的限制[1],这使得POI推荐成为一个更加复杂的问题。最后,大部分有用的信息都隐藏在数据中,如何有效建模来捕获数据中的有用信息也是一个不小的挑战。为了应对这些挑战,我们提出了一个基于地理和社交的自编码器模型（Geo So AE）来学习user-poi的复杂关系。我们的模型是一个深度学习的自编码器,在自编码器的编码过程中融入注意力机制来自适应地从多个方面区分用户偏好,同时在自编码器的解码过程中,融入地理和社交等上下文信息,利用该上下文信息来提高我们推荐模型的准确度。针对数据的稀疏性问题,我们会将利用用户的签到数据来筛选出用户的签到集,并利用该签到集来表示用户的偏好向量。为了将地理环境因素和用户的社交关系因素融入到我们的模型中,我们利用自适应带宽的内核估计方法,来确定每个用户的POI个性化签到分布,从而模拟POI之间的地理相关信息。对于用户的社交好友关系,我们采用幂律分布来建模用户的好友关系,来模拟用户的社交关系对用户签到的影响。最后,我们在三个真实的数据集上对本文提出的方法进行了全面的性能评估。通过与其它先进的推荐技术比较,本文提出的方法的推荐质量得到了明显的改善,进而验证了我们的方法的有效性。