随着深度学习的发展,人工智能领域取得了革命性的进步,各领域的研究也随之得到了迅速发展,其中推荐系统应用深度神经网络模型,得到了进一步的革新,受到了学者们的广泛关注。近年来,便携式智能设备越来越普及,人们与互联网的交互日益频繁,位置跟踪和定位的准确性不断增强,使得基于位置的服务趋于多样,在社交网络中随处可见用户分享自己的定位与心得,这让兴趣点推荐成为了学术界乃至工业界的热门任务,它不仅要求算法模型能够很好地从海量的数据中提取出位置中的有效信息,还需要能够将位置信息与其他异构信息进行交叉组合,准确地进行个性化推荐。本文主要研究的是兴趣点推荐的应用领域,它专注于帮助移动用户探索新的区域,通过用户偏好和兴趣点特征等多种因素来对用户此时可能做出的行为进行预判,从而推荐最佳兴趣点列表以供用户选择。为此,本文包括以下几个方面的工作:首先本文的整体架构采用wide&deep模型进行建模,在deep侧本文构建了三个特征,分别是用户的分布式表达、兴趣点的分布式表达和增强时间特征的上下文分布式表达。其中后两者是本文的关键特征。对于兴趣点的分布式表达,本文利用兴趣点大量的评论信息,使用词嵌入技术将拼接起来的文本转化为特征向量,在经过卷积神经网络得到兴趣点的分布式表达,这样做主要是利用卷积神经网络能够获取N-gram等特点,而且对兴趣点的评论信息进行嵌入表达可以有效的提取出大量用户对该兴趣点的潜在关键特征。对于增强时间特征的上下文分布式表达,鉴于兴趣点的签到呈现序列形式,本文将兴趣点的分布式表达向量输入到长短期记忆网络,以利用长短期记忆网络对序列特征良好的模拟能力,本文还将序列构造成长时间的序列和短时间的序列两种,分别用来模拟用户长期的行为习惯和短期的兴趣变化,最后拼接得到增强的上下文分布式表达。本文还简要介绍了wide侧的特征工程,通过人为构造的离散特征、统计特征以及时空特征,进一步提高了模型的泛化性能。最后,本文将deep侧和wide侧统一训练,排序所得到的概率值,利用Top-N推荐的思想将得到的最佳预判集推荐给用户。最后,本文在两个开源数据集进行实验,与若干推荐算法进行对比,证实本文所提出的增强时间特征的兴趣点推荐算法取得了较好的成绩。