兴趣点推荐就是利用基于位置社交网络(Location-based on Social Networks,LBSNs)中用户的签到数据预测用户下一个想去的位置地点。随着移动定位技术的趋于成熟以及智能手机、智能手环等移动终端的普及,LBSNs中,用户的地理位置信息、评分评价信息等异构签到数据越来越容易被获取。如何利用获取到的用户多源异构签到数据以提高推荐性能,成为了兴趣点推荐的主要研究方向。目前,兴趣点推荐在一定程度上已经取得了一些研究成果,但与此同时,还存在一些问题:第一,兴趣点推荐仅基于单维度的签到数据,却忽略了影响因素之间的相关性,例如单纯基于时间因素的兴趣点推荐算法,或是仅仅基于地理位置因素的推荐算法,却忽略了用户的地理位置往往随时间的变化而变化,还存在一定的时序性特点等。第二,LBSNs中,用户评分数据非常稀疏,稀疏程度高达98%,仅仅依靠极少的评分数据难以挖掘用户的真实偏好,降低了推荐性能。针对上述两个问题,本文将影响兴趣点推荐的四个方面因素根据其相关性,进行两两组合,提出了相应的兴趣点推荐算法,从而提高推荐效果。(1)着眼于地理位置因素与时间因素,根据两者的相关性,本文引入时序上下文和距离上下文信息。而为了便于给时序上下文信息建模,本文将深度学习领域的循环神经网络模型中的门控循环单元模型引入兴趣点推荐算法。将连续的时间因素离散化处理,引入特定时间转换矩阵。而对于距离上下文也采用了特定距离转换矩阵,提出了基于时序和距离上下文的门控循环单元兴趣点推荐算法。经过对比实验发现,新算法不仅有效性得到了较大的提高,还避免了传统循环神经网络模型的梯度下降等问题。(2)另一方面,社交关系可以缓解签到信息中评分数据的高度稀疏化问题,因此,本文将社交信息与评分信息进行了组合。而实值条件受限玻尔兹曼机模型因其在评分推荐中准确度较高,本文将好友信息融入到实值条件受限玻尔兹曼机模型中,定义了好友强弱关联程度值,并依据不同的好友关联程度进行不同的推荐,提出了融合好友关系和评分信息的实值条件受限玻尔兹曼机兴趣点推荐算法。最后,在Gowalla数据集上进行了实验,实验证明,相比传统算法,新算法在高稀疏程度的数据集上仍具有较好的推荐性能。