移动社交网络迅速发展,智能手机成为人们获取网络信息及沟通交流的主要移动设备。用户可以通过手机APP进行签到向好友分享自己所在的位置,利用海量的签到数据挖掘用户感兴趣的地点,可以为用户提供更好的出行体验。基于位置的社交网络兴趣点推荐是移动推荐系统一项重要的服务,兴趣点推荐能为用户提供更多有趣的地点,且能够带来潜在广告收益,因此兴趣点推荐成为了学术界和工业界研究的热点。兴趣点推荐为用户提供个性化服务,目前已有专家和学者对其进行了大量研究,但是以往的研究方法基本来自传统的推荐算法,没有考虑签到数据相似用户计算问题,以及高维度下签到数据稀疏性问题,以致推荐效果不理想。为解决上述问题,本文提出了基于用户签到矩阵的神经网络兴趣点推荐算法,主要内容如下:(1)分析了兴趣点推荐课题相关的研究背景意义与研究现状,以及算法存在的不足并提出解决方案。(2)针对用户签到数据相似用户计算问题,本文使用神经网络技术,计算用户间相似性,并结合地点流行度提出了一种融入地点流行度的POPDNN兴趣点推荐算法,在Gowalla数据集上的结果表明,POPDNN兴趣点推荐算法具有更好的推荐效果。(3)本论文考虑用户签到数据稀疏性问题,对用户与兴趣点双向分析,利用神经网络分别挖掘用户-兴趣点、兴趣点-用户潜在联系,为提高模型平滑性再融入非负矩阵分解技术,提出RBMNMF兴趣点推荐算法,在Foursquare数据集上进行了对比实验,实验结果表明,本文提出的RBMNMF算法具有更好的平滑性,并且评价指标都优于其他算法。(4)基于以上研究针对用户旅游出行需求,设计和实现了一个景点推荐原型系统Travel Go,该APP具有签到,分享照片,个性化推荐等功能,从用户签到矩阵中挖掘用户偏好,为用户进行个性化景点推荐。