随着互联网和智能移动设备的应用和普及,基于位置的社交网络为人们搭建了现实世界与虚拟世界的桥梁,极大地便利了人们的生活。然而,数据量的爆炸式增长也为用户带来了信息过载的问题。因此,下一个兴趣点推荐已经在基于位置的社交网络中成为必不可少的一部分,其旨在为用户推荐在不久的将来可能会访问的下一个兴趣点。近年来,自注意力网络在各种序列任务中取得了优秀的性能和效率。然而,现有的一些基于自注意力网络的工作都没有考虑相邻兴趣点签到之间的时空间隔信息以及类别信息,这对于下一个兴趣点推荐中建模用户的签到行为是至关重要的。本文主要工作如下:（1）分析兴趣点推荐的研究背景和意义,以及国内外研究现状,探讨现有的兴趣点推荐方法并分析其优缺点,为后续研究工作提供坚实的理论基础。（2）为了更好地建模用户签到序列中兴趣点的长距离依赖关系,本文提出了基于时空自注意力网络的下一个兴趣点推荐模型。该模型通过衰减函数刻画兴趣点之间的时空关联度,并将其融合到自注意力网络中,以更好地捕获用户对兴趣点的偏好。在两个真实数据集上的对比实验验证了模型的有效性。（3）利用兴趣点类别信息挖掘用户的行为偏好以缓解数据稀疏性问题,本文提出了基于多任务自注意力网络的下一个兴趣点推荐模型。该模型构建了一个多任务学习框架,用户行为预测任务建模兴趣点类别和签到时间在序列上的转换模式,捕获用户不同时间段的行为偏好。兴趣点位置预测任务建模兴趣点的时空间隔信息,捕获用户对兴趣点的偏好。在两个真实数据集上的对比实验验证了模型的有效性。最后,基于提出的两个模型,本文实现了一个基于自注意力网络的下一个兴趣点推荐原型系统。