随着手机等智能设备的普及与发展,人们可以随时随地分享自己的生活,发表自己的看法。基于位置的社交网络（Location-based social network,LBSN）也因此被人们所青睐而大量使用。其中最为流行的LBSN数据集,例如Yelp、Foursquare、Facebook等获取了大量的用户访问数据,包括用户的签到打分、评论、时间以及兴趣点（Point of Interest,POI）的地理位置等信息。用户使用手机就可以发现自己感兴趣的商家或者好友,同时可以分享自己喜爱的兴趣点。因此兴趣点推荐有着巨大的商业前景,是推荐系统中不可忽视的重要分支,同时也带来了新的挑战。虽然LBSN被人们接受和频繁使用,但数据的采集基于用户的自愿,导致LBSN数据集极度稀疏。因此如何充分利用LBSN数据集中的异构信息,缓解数据稀疏性,对于兴趣点推荐的效果至关重要。对于用户签到信息,需要考虑用户与兴趣点之间的一阶相似度,用户与用户之间、兴趣点与兴趣点之间的二阶相似度。对于签到序列信息,需要考虑用户签到活动中的时序关系。对于地理位置信息,需要考虑用户签到活动中距离等物理限制的影响。针对上述问题,本文首先使用网络嵌入的方式对签到信息建模,缓解数据稀疏性。提取用户签到序列,基于Glove模型学习用户移动模型。然后基于矩阵分解的框架融合签到信息和序列信息,基于Naive Bayesian算法处理地理位置信息,最后建立一个兴趣点融合推荐模型整合所有信息。本文的具体研究工作如下:（1）提出一种基于网络嵌入的推荐算法Bi Rec。针对签到评分数据稀疏性的问题,首先通过用户的签到数据建立用户-兴趣点二分网络。然后对用户-兴趣点网络中用户与兴趣点之间的一阶相似度,用户与用户、兴趣点与兴趣点之间的二阶相似度建模,得到用户与兴趣点的嵌入向量。最后在此基础上进一步得到用户对兴趣点的评分;（2）提出一种序列嵌入推荐算法Glo Rec。针对LBSN中的时间信息,本文给定一个最佳签到时间间隔,得到用户的签到序列。设计了一种基于Glove的序列嵌入算法,得到兴趣点的嵌入向量。最后在此基础上得到用户对兴趣点的评分;（3）在（1）（2）的基础上提出基于矩阵分解的线性融合模型、个性化融合模型和非线性融合推荐模型,来整合学习到的签到评分信息以及签到序列信息。然后基于Naive Bayesian算法处理地理位置信息。建立融合模型Bi Glo Geo Rec整合所有信息来进行兴趣点推荐。最后本文通过消融实验探索不同信息对POI推荐的影响。