随着全球定位系统技术、智能移动设备和Web2.0技术的普及与快速发展，基于位置的社交服务逐步成为人们日常社交、出行的必备工具。为了从海量的签到中发掘过滤出用户感兴趣的，并且满足个性化需求的下一个签到兴趣点，下一个兴趣点推荐问题成为新兴的研究热点。相对于传统推荐，下一个兴趣点推荐的数据更加稀疏。同时用户签到序列模式难以刻画，并且受到多种上下文因素的影响。虽然已有一些工作提出了解决方案，但是并没有取得令人满意的推荐结果。因此，本文基于现有研究工作，进一步研究提升下一个兴趣点推荐的方法。
　　本文利用门控机制，建模用户历史签到序列的时间和空间特征;结合上下文信息，以缓解数据稀疏性问题，提升下一个兴趣点推荐性能。本文的主要工作如下:
　　(1)分析兴趣点推荐和下一个兴趣点推荐的背景意义以及国内外的研究现状，探讨下一个兴趣点推荐发展趋势，为后续研究工作提供坚实的理论支撑。
　　(2)分析了用户历史签到序列中的时间和空间特征，基于长短期记忆网络，加入时间门和距离门捕获连续签到之间的时间和距离关系，提出时空门控网络模型。两对时间门和距离门旨在分别控制用户长期兴趣和短期兴趣的更新。此外本文通过耦合输入门和遗忘门来减少模型参数，进一步提高计算效率。在四个真实的基于位置的社交网络数据集上评估提出的模型。实验结果表明本文提出的方法明显优于下一个兴趣点推荐目前最新的方法。
　　(3)在深度学习的框架下，使用半监督学习，在用户签到数据不足的情况下，利用上下文信息进行补充以缓解数据稀疏性，提出了联合半监督上下文图和时空门控网络的推荐方法，对兴趣点嵌入向量联合学习，将兴趣点的地理上下文和用户对兴趣点的偏好融合到一起，进一步提高下一个兴趣点推荐的性能。最后通过实验验证了提出方法的有效性和可靠性。