随着基于位置的社交网络（Location-Based Social Network）的快速发展,海量的签到数据被用于挖掘用户的行为模式以实现兴趣点（Point-of-Interest）推荐。兴趣点推荐不但可以提高用户体验,增加用户粘性,还能为商家带来潜在的商业利益,已成为推荐系统中最重要的研究方向之一。现有的相关工作主要对时间、空间、序列、社会关系等多种因素进行建模。但是,这些工作还存在着诸多不足:（1）对用户签到序列中相距较远的签到之间的关系建模不足;（2）推荐时未充分融合地理位置信息;（3）缺乏对用户评论的有效挖掘以从中提取用户偏好等观点。为解决这些问题,本文提出一种时空和文本表示学习模型（STa TRL）以及一个改进模型,即基于用户-兴趣点交互的协同进化学习模型（CLo UPI）来实现精准的兴趣点推荐。本文的主要贡献包括以下两个方面:（1）为解决远距离签到之间依赖丢失的问题,STa TRL采用Transformer注意力模块来建模用户的签到序列,并融合兴趣点的地理特征来改进注意力分数的计算过程。此外,该算法采用多任务框架,包括一个主任务（即推荐未访问的兴趣点）和一个辅助任务（即找出用户偏爱的兴趣点,其候选兴趣点集合同时包括已访问的和未访问的兴趣点）。实验结果表明,该辅助任务有助于模型训练并提高推荐质量。另外,为整合用户观点及兴趣点口碑对兴趣点推荐的影响,该模型利用情感分析技术来挖掘评论中的情感极性（Sentiment Polarity）。据我们所知,这是首次将基于方面的情感分析（ABSA）用于兴趣点推荐。（2）与STa TRL模型仅挖掘兴趣点间的关系不同,CLo UPI还对用户与兴趣点之间的交互进行建模。它包含一种新型Geo-Transformer编码器,该编码器利用初始化后的兴趣点嵌入（POI Embedding）对用户表征进行编码。该兴趣点嵌入通过一个用户-兴趣点交互图进行预训练。其次,它利用注意力地理感知（Attention Geo-Aware）解码器取代STa TRL的线性解码层,该解码器通过自适应地学习多方面特征从附近候选者中召回推荐的兴趣点。另外,模型采用加权交叉熵函数来增强任务的隐式反馈,其效果与STa TRL的多任务损失函数相仿,但模型计算的时间消耗显著降低。最后,本文在Yelp challenge、Gowalla和Yelp 2020公开数据集上进行大量的实验,实验结果证明了STa TRL和CLo UPI的有效性。