在过去几年里,随着人工智能技术的日新月异,移动互联网得到了跨越式的发展,基于位置的移动服务也逐渐趋于成熟。人们使用这些移动服务不仅可以进行路线的导航,还能搜寻附近感兴趣的地点。因此,诞生了大量的与用户出行轨迹相关的位置数据。基于这些位置数据,可以充分地挖掘用户的出行规律与个人偏好。这不仅可以为用户生成个性化的推荐,丰富用户的外出经历,还可以为第三方商家带来巨额的商业利益,带动景点、商圈的发展。兴趣点推荐（POI Recommendation）,不仅是一项关键且热门的移动服务,也是推荐系统的重要子领域。它通过分析用户的历史出行记录来挖掘用户的个人偏好,并向用户推荐其可能感兴趣的新地点。传统的基于矩阵分解或协同过滤的兴趣点推荐不能深层次地挖掘用户复杂的个人偏好,且面临着数据稀疏的困扰。神经网络,作为挖掘事物潜在关联的新型技术,可以有效地解决上述难题。与此同时,兴趣点中的移动上下文能够非常直观地反映用户的访问倾向,可以增强推荐的合理性和解释性。综上所述,本文分别提出了基于联合神经网络的推荐算法和基于移动上下文的推荐算法,最后构建了结合两种推荐算法的综合推荐模型。本文的主要工作如下:（1）分析了兴趣点推荐研究相关的背景意义、国内外研究现状、相关技术理论以及目前存在的不足之处。（2）提出了一种面向兴趣点推荐的深度学习算法。首先,本文搭建了向量降维神经网络分别对用户向量和地点向量进行深层次特征提取。然后,将降维后的向量进行拼接并传入关系挖掘神经网络,以计算用户和地点之间的潜在关联。与此同时,本文定义了深度矩阵分解模块来改进基础的矩阵分解算法。最后,将关系挖掘结果与深度矩阵分解结果传入联合神经网络,得到最终的推荐预测结果。本文在真实的数据集上验证了该模型效果。（3）提出了一种基于多种移动上下文的推荐算法。首先,本文将所有地点进行聚类以形成不同的区域,同时根据不同地点的热度,挖掘出用户访问不同区域的可能性。然后,考虑到距离因素和地点类别因素对用户的出行有影响,本文分别对距离偏好和类别偏好进行建模。最后,本文以区域可能性为前置概率,将距离偏好和类别偏好进行加权融合,得到了基于上下文的推荐预测结果。本文在真实数据集上验证了该模型效果。（4）提出了三种不同的策略将基于联合神经网络的推荐算法和基于移动上下文的推荐算法进行结合应用。第一种策略以基于移动上下文的推荐算法进行先行召回,然后以基于联合神经网络的推荐算法进行排序。第二种策略以基于联合神经网络的推荐算法进行先行召回,接着以基于移动上下文的推荐算法完成排序。第三种策略则是以一定权重将两个模型的预测结果进行加权混合。