近来,基于位置的社交网络(LBSNs)在人们的日常生活中得到了广泛应用。人们在出行时往往会利用美团、大众点评等应用选择出行地点,并在微博、微信等平台分享自己的访问地点。这也产生了对于兴趣地点推荐系统的大量需求。现有的研究主要集中在通过社交联系、地理距离等附加信息来提高兴趣地点推荐系统的性能上,未能很好地将多种复杂的因素结合起来。本文基于Weeplaces与Foursquare两个基于位置的社交网络公开数据集,对数据集中用户在社交网络与出行历史上的数据进行分析,在如何高效准确地进行兴趣地点推荐方面进行了研究。本文的主要工作如下:(1)本文分析了Weeplaces与Foursquare中用户在出行历史与社交网络方面的一些特点,对用户与兴趣地点之间的潜在联系进行了分析。分析发现,用户往往只访问了较少的地点,而每个地点只被较少数量的用户访问。其次,在社交网络中,除拥有直接好友关系的用户外,“朋友的朋友”也与用户有着较高的访问相似性。同时,用户在相邻两次地点访问之间的时间间隔较短,也更倾向于在附近的地点活动。(2)基于数据分析,本文提出了一个结合了用户交互行为与用户访问序列动态偏好的兴趣地点推荐框架。在用户交互行为模块中,利用用户-用户同构图、兴趣地点-兴趣地点同构图以及用户-兴趣地点二部图,学习用户与兴趣地点的嵌入表示向量。在用户访问序列动态偏好模块中,利用卷积神经网络与用户注意力机制网络,得到地点的上下文向量与用户的表示向量。并设置了权值参数λ,将两个模块结合到一起,得到最终的候选推荐地点。(3)基于提出的推荐框架,在两个真实世界数据集上进行了科学实验。首先,分析了权值参数λ的取值对于实验结果的影响,并选择合适的参数作为后续实验中的取值。其次,我们选择了四种较为经典的推荐方法作为对比方法,在数据集上进行了大量的实验。最后,我们分析了不同版本的模型在数据集上的不同表现。实验证明,我们提出的推荐框架在兴趣地点推荐中表现出了良好的推荐性能。