兴趣点推荐作为解决基于位置社交网络（Location-Based Social Network,LBSN）中信息过载的有效方法,其推荐的精准度和模型的健壮性直接影响着用户对推荐系统的信任,因此兴趣点推荐具有重要的研究意义。为了有效地缓解数据稀疏性,诸多研究学者将时间因素、地理距离、兴趣点流行度等多方面签到行为信息融合,但这些研究很少涉及到季节相关信息。同时用户的兴趣不仅受到自身行为的影响,而且在一定程度上受到周围朋友的影响,然而,现有研究很少关注用户社交关系与签到行为信息对兴趣点推荐的共同影响。针对上述问题,本文在用户签到行为信息中融入了季节信息,并且将用户签到行为信息与用户社交关系相结合,对兴趣点推荐展开了深入研究。首先,针对签到行为信息对兴趣点推荐的影响,以及因忽略季节因素而影响个性化推荐的问题,本文提出基于多重异构网络嵌入的兴趣点推荐算法。该算法根据签到季节划分网络层次,联合空间信息、兴趣点的流行度、用户对兴趣点的季节喜爱度等影响因素自定义加权策略,构建多信息融合的多重加权异构网络;自定义元路径并随机游走生成节点序列,利用自注意力机制捕捉不同网络层次中季节对各节点的影响力,并通过异质Skip-Gram模型获取特征向量表示;从而通过用户对兴趣点的偏好度分数排名推荐兴趣点。其次,为了结合用户社交关系与签到行为信息对兴趣点推荐的共同影响,提高推荐算法的稳定性,本文提出一种加权异构网络嵌入的兴趣点推荐算法。该算法根据用户社交关系与签到行为信息,挖掘用户、地点、时间之间的关联关系,构建多信息融合的加权异构网络;根据随机生成的元路径保留不同类型节点间的关联信息,在元路径上采用有偏游走生成节点序列,通过异质Skip-Gram模型获取特征向量表示;从而根据获得的特征向量为用户推荐兴趣点。最后,将本文提出的算法在Foursquare数据集和Gowalla数据集中进行实验验证,并与现有兴趣点推荐算法进行对比分析,通过对比算法的准确率和召回率验证本文算法的有效性。