在移动互联网、定位技术、智慧城市建设高速发展的背景下,人们可以利用移动设备在自己喜爱的兴趣点发布签到,这些签到数据被基于位置的社交网络收集,久而久之形成了用户的行动轨迹,用户的行动轨迹中蕴含着用户对兴趣点的偏好。大数据、人工智能、深度学习等技术的发展,为预测用户的行为模式和兴趣偏好提供了新的解决方案。利用用户的历史行动轨迹预测用户的行为模式和兴趣偏好也是计算机科学、社会学以及复杂性科学等领域共同关注的重要研究议题,在位置社交网络服务、智慧城市建设、移动计算等方面有着重要的实际应用价值和学术价值。然而,目前兴趣点预测问题仍面临一些挑战,比如数据稀疏性会对预测问题造成严重的负面影响,用户动态偏好导致用户长短期偏好难以捕捉,序列存在长期依赖等问题。针对上述问题,本课题从位置社交网络中的兴趣点类别预测任务出发,以用户签到数据为研究对象,以预测用户未来的行为模式和兴趣偏好为研究目标,开展了若干研究工作。主要研究内容如下:（1）针对数据稀疏性造成的用户偏好难以捕获的问题,我们将用户签到的兴趣点类别视为用户的偏好,然后开展兴趣点类别预测,以求更好地挖掘用户的行为模式和兴趣偏好,提出了一个基于注意力的类别感知的门控循环单元模型。一方面,该模型可以在用户的签到数据极度稀疏的条件下,从有限的用户签到中挖掘用户的兴趣点类别偏好;另一方面,引入注意力机制,可以为影响力大的历史签到分配更多的权重,增强其对后续签到的影响力。利用循环神经网络的优秀变体门控循环单元,可以更好地捕获用户历史签到之间的长短期依赖,提高模型预测性能。（2）针对用户的动态偏好难以捕获以及模型训练会面临信息损失的问题,提出了一个基于双向门控循环单元的下一个兴趣点类别预测模型。此方法采用双向门控循环单元替代单向门控循环单元,来减少模型训练中产生的信息损失,更好地利用用户历史签到中的隐含信息来挖掘用户的兴趣偏好。并且,该模型还结合注意力机制、时间滑动窗口来更好地关注用户的长短期偏好。在真实用户签到数据集上的实验证明了该模型的有效性。（3）针对用户群体偏好会影响模型预测性能的问题,提出了一个基于群体影响的隐私感知的兴趣点类别预测模型。考虑到位置社交网络中的相似用户往往会拥有类似的兴趣偏好,我们结合用户的群体影响,采用局部敏感哈希一方面保护用户的隐私,另一方面实现相似用户群组快速划分。此后,对于每一种不同的群组,我们使用单独的兴趣点类别预测模型进行兴趣点类别预测,进一步提高模型预测性能。纽约市和东京市数据集上的实验对比也证明了此方法优于其他先进的预测方法。本文所提方法在真实数据集上进行了运用,其结果表明这些方法可以有效提高兴趣点类别预测模型的预测能力,为挖掘用户行为模式和兴趣偏好提供了新的思路和技术储备。