用户地理兴趣点（Point-of-interest,POI）推荐系统是近年来众多推荐系统中的研究热点,其研究对象主要针对基于位置的社会网络（Location-Based Social Network,LBSN）中的用户POI签到数据,数据源丰富且数据量巨大,具有一定的研究意义。对于LBSN用户,POI推荐可以对用户信息和行为数据进行挖掘和分析,深入了解用户签到行为偏好,鼓励用户探索新的位置、熟悉新的城市。对于LBSN平台,POI推荐可以解决海量数据带来的信息过载为题,帮助地理兴趣点所有者（商家或企业）发现潜在用户,从而针对用户实施精准营销策略。从社会角度出发,通过对POI推荐结果进行分析,可以为探索用户行为规律和社会交往性质等复杂社会性问题提供参考建议、开辟研究方向。本文从用户签到序列行为角度出发,将深度学习方法应用到POI推荐的研究中,来构建个性化POI推荐模型。本文主要工作如下:1、针对签到数据稀疏问题,通过分析签到数据集,结合数据集中兴趣点ID、地理坐标和POI类别信息分别构建POI协同矩阵、位置近似矩阵和类别相关矩阵,用于捕捉POI关联和缓解签到数据的稀疏性。2、针对目前已有的签到数据信息建模方法忽略多维度信息间的联合影响,以及不能很好地表示兴趣点和用户特征的问题,本文提出一种基于协同过滤算法构建的POI和用户关联特征矩阵,其融合了签到数据中兴趣点编码信息、地理信息、文本信息（POI类别）、社会关系信息等。通过矩阵分解得到隐藏因子,计算用户和POI的特征向量,从而为推荐模型提供通用有效的用户和POI特征表示。3、针对单一神经网络模型无法同时学习用户细粒度兴趣偏好（用户长期、短期兴趣偏好）的问题,本文提出一种MF-ADNN模型,将带有注意力机制的循环神经网络运用到用户序列行为建模中,通过构建不同的神经网络模型来分别学习用户长期和短期兴趣特征,解决多特征之间交互作用的学习问题,使得序列上下文特征表示更加精确。同时,结合时间影响确定模型的训练方法,预测用户在不同时间段的POI签到结果。4、针对上述模型设计模型调优实验,使用预处理后的数据对模型进行训练,通过一系列超参数选择实验确定使模型性能达到最优的参数,并在此基础上,设计POI推荐模型对比实验,通过对比目前在矩阵分解和深度学习POI推荐算法领域最具有代表性的5个模型的实验结果,验证MF-ADNN模型的有效性。5、基于Ionic框架、Baidu Map API以及BI技术,编程实现POI推荐可视化原型系统,并将推荐结果进行展示和分析。该系统为普通用户提供POI推荐功能,为LBSN平台提供观察未来时间POI签到特点的功能。