在基于位置的社交网络（location-based social networks , LBSNs）中，个性化地点推荐系统扮演着至关重要的角色。个性化地点推荐系统不仅能够帮助用户挖掘新的地点，同时也有利于第三方服务商更好地提供个性化服务，如投放针对性的广告等。现有关于这方面的研究，主要利用用户在每个地点上的签到次数数据进行推荐，但签到次数并不能完整地代表用户的喜好。而且，大多数现有方法不仅需要一定的领域知识，且需要进行仔细地人工特征识别与特征提取工作，因此效果并不理想，尤其在信息非常稀疏的情况下，效果受到很大影响。　　论文首先针对用户签到行为中的数据进行统计分析，并对其中的地理和社交信息进行详细分析。进而提出一种基于深度学习技术的推荐算法，即利用半受限玻尔兹曼机对签到数据中的地理信息进行建模，同时在深度模型中添加条件层对用户之间的社交信息建模。本文提出了一个深度学习算法将地理和社交影响因素映射到更高、更抽象的层面，从而更好的处理地点推荐任务。在真实数据集上进行实验分析，实验结果表明：相对于几种典型的算法，文中方法在准确率、召回率和F1等指标上有更好的表现。论文的研究结论表明：地点推荐系统对于提升LBSNs个性化服务质量至关重要，而且地理和社交因素对推荐系统的影响不容忽视，深度学习模型可以很好的处理以上两种影响因素，最终提高推荐系统的性能。