随着近年来智能手机的广泛使用与移动社交平台的流行,使得基于位置社交网络（Location-based Social Networks,LBSN）业务得到了快速的发展,其中包括了兴趣点（Point-of-interest,POI）推荐。POI推荐通过用户生成的签到历史,推测用户感兴趣的POI,在大量的POI候选集中个性化地预测用户下一个时刻将要访问的POI。这使得用户个性化出行体验得到了较好的提升。本文主要的研究目标是基于评论信息更好地建模POI的特征和用户的兴趣,为用户提供更精准、更个性化的POI推荐列表。由于签到（check-in）数据的稀疏性,使得如何更好地融合评论信息,成为POI推荐的一个很大的挑战。现有效果最好的方法中,虽然通过分别独立建模POI序列特征和评论信息序列特征,实现POI推荐中融合评论信息的目标,然而缺乏POI信息与评论信息之间交互的过程,而且POI嵌入向量在不同上下文中缺乏动态语义表示,导致POI特征与用户兴趣特征提取不够充分。本文提出了一种分为预训练和微调两个阶段的模型架构,基于注意力机制的神经网络模型,对用户下一个时刻可能参观的POI进行预测。首先,预训练阶段,提出了基于上下文的位置嵌入模型,为目标位置自适应生成基于特定上下文的动态表达嵌入向量。同时,通过POI结合评论单词上下文训练目标向量,来获得融合评论信息的POI向量。它既可以使得嵌入向量在不同上下文中表达动态语义特征,还可以使得POI向量融合一定的语义信息。其次,微调阶段,提出了一种新颖的多因素注意力机制模块,分别捕获同一模态内序列相关性,不同模态间语义相关性,同一模态内基于语义的二阶相关性。它既能够有效实现模态间信息的同步交互,还可以实现模态内关于序列信息和语义信息相关性的自适应特征选择,使得信息特征提取更加充分。随后,通过聚合注意力机制模块聚合模态内不同因素的信息,使得模型能够在不同上下文中自适应聚合多因素信息。通过在现实世界中含有评论信息的签到数据集上的实验,本文通过对多条签到轨迹在注意力机制中的权值矩阵进行了分析,进一步证明多因素注意力机制模块在预测过程中发挥的作用。并且比较了本文的模型与其他基准模型的预测性能,最终实验结果表明,本文的预测准确度较基准模型有较大的提升,证明了该模型能够有效融合评论信息并对POI推荐问题更好地建模。