静态兴趣点推荐一直以来都是研究热点以及商业应用重点。现在基于可移动性兴趣点的研究也逐渐成为商业公司的关注点,并成为研究热点和未来需求。例如,能够为行人售货的自动行驶零售车就是一种典型可移动性兴趣点推荐的应用。可移动性兴趣点的推荐与传统的静态兴趣点推荐存在本质上的差异。为了解决可移动性兴趣点推荐问题,本文提出了一种针对具有可移动性兴趣点的推荐的算法。主要包括以下内容:（1）本文提出了一种包括3个网络模块的复合神经网络结构,用于实现可移动性兴趣点的推荐。整体算法框架包含门控循环神经网络GRU专家模块和门网决策系统,循环神经网络专家模块由模式GRU和点GRU两个子模块组成。模式GRU模块融入迁移学习策略学习其他数据集中的动态时空模式,负责模式预测;点GRU模块融入对比学习策略,以达到扩展目标数据集的样本数量、提高网络泛化能力的目的,负责点预测;门网决策模块负责根据输入样本的形式选择相应的GRU模块的输出作为预测结果,实现神经网络专家决策系统。（2）训练两个GRU专家网络的过程采用了分别训练以及冻结参数的方法。使用对比学习的方法,将训练数据集进行扩展,使得数据样本能够较好地驱动上述的点GRU专家。同时也采用迁移学习的方法,将外部数据集消除地理坐标信息和点位信息后,用于驱动上述模式GRU专家的训练过程。分别采用对比学习和迁移学习,对两个GRU专家网络的训练样本进行充分扩容。（3）还提出了一种对扩展样本的两步过滤方法,第一步使用MMD方法进行预筛选,第二步使用Tr Ada Boost和最大期望（expectation maximization,EM）算法的结合方法对样本进行计分筛选。这种两步过滤样本的方法结合对比学习和迁移学习策略,在基于小样本生成的大训练数据集上进行了有效的数据样本选择,能够很好地驱动网络训练过程。本文最后在以Gowalla为主的社交数据集上进行了实验以及实验结果分析,并利用外部数据集进行迁移学习,包括:Facebook V:Predicting Check Ins数据集和Yelp Dataset Check Ins数据集,这两个数据集用于提供不同用户的时空轨迹信息,包括经度、纬度、时间等传感器统计信息。实验结果显示本文提出的方法在短、中期的预测推荐方面效果比以往的方法性能更优。在短期预测对比实验中,本文提出的方法具有较低的误差中位数;在中期预测对比实验中,本文提出的的方法具有更小的误差。