随着基于位置的社交网络（Location Based Social Network,LBSN）不断地快速进步,个性化兴趣点推荐也逐渐流行,它可以帮助用户发现其可能感兴趣的位置。然而,由于兴趣点推荐是一种隐式反馈,使得用户-兴趣点之间交互存在困难,如果没有对用户签到行为进行“区别对待”,会导致对用户偏好的挖掘不够准确,而且由于用户的签到数量在整个位置社交网络中只占很小的比例,使得签到数据存在高稀疏性问题。因此如何有效的提高兴趣点推荐的性能,成为了亟待解决的问题。本文针对上述局限以及根据兴趣点推荐的特性,提出了两种兴趣点推荐算法。首先,针对现有兴趣点推荐系统平等的看待用户签到行为,不能准确反映用户偏好等问题,本文经过深入分析深度神经网络与推荐系统相结合,利用基于自动编码器的深度神经网络结构来学习用户的签到偏好。该算法通过编码器的隐藏层得到用户的隐藏向量表示;然后在学习隐藏向量表示时,加入地理位置和社会关系的影响,进一步提升性能;并且在编码器编码过程中加入了注意力机制,通过多维注意力机制,从用户的历史签到记录中自适应的区分用户偏好,最后得到用户去到未访问兴趣点的签到概率,并对其进行降序排序,从而确定真正的兴趣点推荐列表。其次,针对现有兴趣点推荐系统对用户签到信息中相关属性挖掘不充分,导致了数据稀疏等问题,本文通过利用位置社交网络中的多种签到特征融合的方式进行兴趣点推荐。该算法利用位置社交网络签到数据集中的签到时间、地理位置和兴趣点类别等上下文特征,找到它们之间存在的潜在关系并分别计算它们之间的相关性,之后得到时间维度的签到偏好、地理位置维度的签到偏好以及类别维度上的签到偏好,融合了签到时间、地理位置和兴趣点类别,将三个维度的签到偏好综合并得到最终用户签到偏好,从而确定兴趣点推荐列表。最后,针对上述本文所提出的两种兴趣点推荐算法,通过将本文算法与已有的一些算法在Foursquare和Gowalla两个数据集上进行了广泛的实验对比及分析,证明了本文所提兴趣点推荐算法可以提高推荐性能。