随着移动技术以及GPS的不断发展,越来越多的基于位置的社交网络被开发出来,它们积累了大量签到数据,提供了挖掘用户访问行为的可能,下一个兴趣点推荐研究对基于位置的服务商和用户都有巨大的应用价值。然而目前的兴趣点推荐研究主要关注于用户对兴趣点的偏好,没有充分考虑用户的时间和位置限制因素,无法准确捕捉用户的实时需求,为当前用户推荐合适的下一个兴趣点。因此,如何利用多种异构类型的上下文信息挖掘用户的短期偏好,并融入用户的长期偏好信息,通过考虑用户的长期偏好与当前的限制因素组成的短期偏好对提高兴趣点推荐准确性和实时性有至关重要的影响。针对以上问题,本文通过考虑长短期偏好构建兴趣点表征向量,并利用基于注意力机制的循环神经网络建模用户历史访问记录与下一个兴趣点之间的高阶非线性交互过程从而产生top-K推荐列表。本文的主要研究内容如下:（1）针对长短期偏好不同的问题,提出了融合用户长短期偏好的兴趣点表征方法。利用图神经协同算法（NGCF）建模用户的长期偏好,接下来通过考虑用户的位置、时间以及距离因素建模用户的时空限制因素,通过连续词袋模型（CBOW）建模用户的类别转移模式,构成用户短期偏好的特征向量。最后将预测到的长期偏好、短期偏好统一连接到兴趣点表征向量中,为下一个兴趣点推荐模型做准备。（2）针对兴趣点推荐实时性不足以及目标兴趣点与历史访问序列的高阶依赖问题,提出了引入注意力机制的融合长短期偏好的个性化推荐模型LTRTM。在融合用户长短期偏好的兴趣点表征向量的基础上,利用结合注意力机制的循环神经网络,捕捉用户历史签到行为与目标兴趣点的依赖关系,构建用户访问下一个兴趣点的决策向量,然后本文为了探究决策向量与目标兴趣点的交互过程,新增加一层用户决策向量与目标兴趣点的交互层,利用多层感知机训练决策向量和目标兴趣点的多层非线性交互,采用K-最近邻的方法选择若干个未访问位置作为负样本的候选集合,并且通过均匀采样的方式从这个候选集合中选择负样本,构建新的加权损失函数训练模型。最后考虑到用户访问行为的时间规律性,在数据处理阶段,将用户的完整访问序列划分成若干个子序列,以构建符合用户访问行为规律的访问集合,最终实现实时推荐的效果。（3）在TKY和NYC数据集上进行大量实验验证本文提出的方法的有效性。通过模型的参数敏感性分析,确定了模型的最优参数;通过不同上下文影响因素分析,确定了本文选择的上下文因素在推荐中的作用;通过与目前其他主流的兴趣点推荐方法在Recall@N和MAP两个指标的对比分析,实验结果表明本文的方法有更好的推荐性能。