随着移动设备的不断普及和无线通讯技术的快速发展,位置社交网络得到了广泛的应用。位置社交网络中的兴趣点推荐受到了越来越多的关注,但是仍存在一些不足之处。例如,对社交网络信息挖掘不足、难以准确捕获复杂上下文的协同影响等,使得兴趣点推荐算法的性能仍有较大的提升空间。本文主要研究传统推荐算法和深度学习在兴趣点推荐上的应用,在对用户签到行为分析的基础上,针对以上问题做了大量的研究与改进,提出了两种改进的算法,同时开发了一个原型系统。本文主要内容如下:（1）针对现有兴趣点推荐对用户和兴趣点的交互信息以及用户之间的社交网络信息考虑不足的问题,通过综合利用高阶交互信息和社交信息,提出了一种基于图神经网络的兴趣点推荐算法。首先使用图神经网络处理用户-兴趣点图,捕获用户和兴趣点的高阶交互信息对用户和兴趣点的影响,优化了用户和兴趣点的签到向量;然后,通过融入改进的好友选择策略的图神经网络来捕获用户社交图中的社交信息,将社交信息和用户的签到信息融合获得用户的特征向量;最终,将用户的特征向量和兴趣点签到向量进行内积计算,获得用户对兴趣点的预测评分。在典型的位置社交网络数据集Foursquare和Yelp上进行了对比实验,实验结果表明,本文提出的算法在准确率和召回率均获得提升。（2）针对现有的连续兴趣点推荐算法难以准确挖掘用户签到记录中上下文信息的协同影响、时空转移信息和短期偏好等问题,提出了一种结合长短期兴趣偏好的连续兴趣点推荐算法。首先,将兴趣点签到序列划分为历史签到和近期签到序列。其次,在长短期记忆网络的基础上增加感知门和转移门,捕获历史签到序列中多种上下文的协同影响和时空转移信息,挖掘用户长期偏好;然后,通过循环神经网络对用户近期签到序列建模,挖掘用户短期偏好;最后,综合考虑用户长期和短期偏好预测用户下一个可能访问的兴趣点。实验结果表明,本文提出的算法在评价指标上的表现优于对比算法。（3）在上述研究的基础上,针对用户出行需求,设计并开发了一个兴趣点推荐原型系统,该系统具有地点签到,照片、评价分享,个性化推荐等功能。通过对用户签到数据处理,挖掘用户偏好,为用户进行个性化兴趣点推荐。