智能手机等便携式移动互联网设备的普及从方方面面影响着人们的工作和生活。在旅游、出行游玩方面,人们能够通过互联网上的兴趣点数据提前选择喜好的地点以便出行访问。信息方便的获取能极大提高人们的工作效率、生活质量。然而近几年,随着入网的设备数量越来越多,签到点评类网络应用软件也越来越多,互联网上的用户签到点评数据也出现爆炸式的增长。海量的数据如何被用户获取?用户如何从中挑选出满足自己需求的数据,如何从数据中挖掘出用户潜在的兴趣爱好?这是值得相关领域研究人员探索研究的问题。推荐系统的诞生能很好的解决以上的问题。兴趣点推荐的最终目标就是为不同用户提供个性化的兴趣点推荐服务。传统推荐方法在众多领域取得了一定的效果,一些经典的推荐模型也被广泛应用于实际生产中。传统推荐模型做兴趣点推荐,许多依赖人工进行特征筛选,从浅层获取特征信息,这样提取到的特征信息有限,可能遗漏重要的特征信息,从而影响推荐的效果。针对以上的问题,本文着眼于基于深度学习技术来解决一些传统兴趣点推荐存在的问题,从而提升兴趣点推荐的效果,具体可归为以下几个方面:1.针对传统的协同过滤推荐方法中从单一的角度来提取用户和兴趣点项目的特征会极大的限制特征向量的表现力的问题,本文提出了一种基于多空间交互协同过滤兴趣点推荐方法。该模型考虑从不同的角度来提取用户与兴趣点的交互,将用户向量和兴趣点项目向量映射到不同的空间,不同空间从不同角度做用户-项目交互,能得到更丰富的特征信息。再通过两层注意力机制融合不同空间的用户和项目特征向量,最后送入多层感知机中利用深度学习技术从深层进一步挖掘用户和兴趣点之间的交互信息,得到推荐结果。经实验与同类方法对比和调整模型结构自身对比,验证了此算法的有效性。2.兴趣点推荐相较于其它推荐领域,用户行为受地理位置影响较大,且用户项目交互通常为隐式反馈。本文提出了一种融合历史偏好和邻域信息的兴趣点推荐方法,针对兴趣点推荐的特点建立模型来为用户做兴趣点推荐。模型采用自动编码机作为主体框架,通过融合历史偏好信息、地理位置信息和“朋友”信息等邻域信息,来对符合用户的偏好及地理位置合适的兴趣点在最后的预测评分阶段设置较高的权重值,从而得到用户更加满意的推荐列表。通过理论分析和实验分析,证明该方法对于推荐效果有一定的提升。