随着计算机网络和移动互联网的快速发展,电子商务和基于位置的社交网络(LBSN)也得到了迅猛的发展,如亚马逊,阿里巴巴,京东,Facebook,Foursquare,Gowalla等,同时,信息过载问题也日益严重,如何从海量的数据中挖掘出对用户有价值的信息,降低信息冗余,成为了工业界和研究界的热点问题。而这也是推荐系统所要解决的问题。推荐系统主要面临着如下的问题一数据稀疏性,由于用户和项目之间的交互数据很少,导致用户项目交互矩阵过于稀疏,使得推荐系统无法利用用户的稀疏历史记录做出准确的推荐。然后就是冷启动问题。对于没有历史记录的新用户,推荐系统自然也就无法利用其历史记录做出推荐。冷启动问题可以看成数据稀疏性的极端。由于在现实世界中,用户和项目有丰富的上下文信息,例如用户的社交关系,工作,年龄,项目的地理位置,标签,属性,价格等,越来越多的人开始使用这些附属信息来缓解这两个问题。同时由于这些上下文信息属于异构数据,如何融合这些异构的上下文信息也成为一个重大的挑战。另一方面,不同的用户有不同的签到分布,现有的基于位置的POI推荐算法未能够充分利用用户的签到分布特征和区域特征。传统的推荐算法主要是利用用户的历史交互数据进行建模,例如矩阵分解算法,最经典的推荐算法之一。利用用户向量和项目向量的点积来预测概率的大小。然而这种利用简单的线性关系进行建模,并不能反映现实世界中复杂的非线性关系。随着深度学习在自然语言处理,图像处理,语音识别等领域的巨大成功,越来越多的人将深度学习应用到推荐系统当中。本文也将使用深度学习技术来解决。针对上述问题以及为了向用户提供更好的推荐服务,本文主要从以下三个方面进行研究:(1)基于自注意力机制的推荐算法。本文提出了一种新的基于自注意力机制的模型(SATCo NN)来融合用户相似度和项目相似度。SATCo NN通过RNN来提取用户历史序列特征,使用自注意力机制从不同语义获取用户购买历史中各个项目的权重。并借鉴了风格迁移的思想,本文使用Gram矩阵来建模用户的购物风格,我们使用Maxpooling技术来提取用户购物风格。(2)基于一阶协同过滤树的推荐算法。本文提出了一种无监督的用户签到分布特征提取器,即CD-Ex,它能够无监督的学习用户签到分布特征,本文也提出了基于用户的协同过滤树和基于项目的协同过滤树,借用消息传递的思想来学习用户和项目的深层次表示。在这两个模块当中,本文使用多头注意力和原始注意力机制来学习用户和项目的表示,关于用户社交关系,本文在基于用户的协同过滤树中使用用户的朋友来分配权重并聚合得到用户朋友的表示。(3)基于多粒度区域感知的推荐算法。本文通过对用户签到地区进行网格划分,并通过各个区域内签到概率的统计得到了三种不同粒度的签到分布矩阵即用户签到分布矩阵,朋友圈签到分布矩阵,和区域热度矩阵,并将这三种矩阵进行加权求和并通过卷积神经网络得到用户的签到分布向量,本文还提出了四个模块,用户偏好模块,签到分布模块,项目热度模块,区域间接模块,项目热度模块可以很好的缓解冷启动问题。