随着智能移动设备的普及,基于位置的社交网络也进一步融入到人们的日常生活,用户会在应用中共享位置信息并通过签到打卡的方式与朋友分享自己所喜爱的兴趣点。这些签到内容的飞速增长让我们可以更加准确地从用户历史签到信息中挖掘用户兴趣随时间变化的特性,进而为用户推荐可能访问的兴趣点信息。然而,从大量复杂的数据中准确地挖掘用户兴趣仍然存在着不小的挑战。多数兴趣点推荐算法面临数据稀疏、忽略用户兴趣随时间动态变化、未能很好融合兴趣点中多元数据进行建模等问题。本文针对以上现存问题进行研究,主要包含以下三个方面的工作内容:（1）针对用户长短期兴趣不同的问题,提出一种融合时空偏好特征的兴趣点序列推荐模型。首先,将数据集中的用户签到记录按照工作日和休息日划分;然后,分别将签到序列输入到神经网络中提取用户长期、短期的兴趣爱好;最后,通过Voronoi图计算地理相似性,融合不同尺度的时空信息计算得出最终的推荐结果。基于公开数据集的实验表明,所提出算法的准确率和召回率指标均优于同类算法。（2）针对兴趣点序列信息提取不全面,兴趣点序列覆盖不充分的问题,提出一种新的兴趣点表示学习方法。采用Node2vec算法在原始兴趣点序列信息中使用随机游走策略生成更全面的兴趣点访问序列。（3）针对用户连续签到行为的序列特征信息和时空特征信息提取不充分的问题。一方面在传统门控循环单元的基础上添加处理时空特征信息模块,另一方面将注意力机制加入到多策略融合的兴趣点推荐模型中。基于公开数据集的实验表明,所提出模型具有更好地推荐性能。