随着基于位置信息社交网络(Location-based Social Network,LBSNs)的迅速发展,兴趣点推荐系统的相关研究吸引了越来越多的关注。在LBSNs中,用户可以通过上传签到信息的方式来分享自己的访问记录。根据用户之前的访问记录,兴趣点推荐系统可以给用户推荐其可能感兴趣的其他地点。兴趣点推荐系统中用户的签到记录多为隐式反馈,推荐系统很难直接从隐式反馈的数据中挖掘用户偏好。绝大多数的兴趣点推荐系统着眼于基于用户的近期签到来进行推荐。然而,用户的近期签到可能会包含一些用户并不真正感兴趣的地点。如果兴趣点推荐系统在推荐时平等地对待用户的近期签到,则不能准确地反映用户偏好。此外,兴趣点推荐系统中用户签到数据稀疏性较高,且具有序列性。深度学习技术因其良好的非线性表达能力和利用多源异构数据进行自动特征学习的能力,在包括推荐系统的很多领域都取得了相当大的成果。因此,本文着眼于基于深度学习技术来解决兴趣点推荐系统中的相关问题。本文主要的工作可以归纳为以下几个方面:(1)针对签到数据多为隐式反馈的问题和用户近期签到随机性的问题,本文提出了一个基于注意力机制的深度学习兴趣点推荐框架。该框架包括一个隐表示方法和一个基于注意力机制的卷积网络。隐表示方法利用签到记录与其上下文间的关联性来学习用户和兴趣点的隐表示。在学习隐表示的同时,引入兴趣点类别和地理距离的影响,进一步提升隐表示方法的性能。基于注意力机制的卷积网络利用注意力机制,通过从用户历史签到记录中学习到的用户偏好向量,来给用户近期签到分配权重,降低用户近期签到随机性的影响。该网络利用卷积神经网络技术,来从用户近期签到中提取信息,给出最终的推荐结果。在兴趣点推荐数据集上进行实验比较了所提出的兴趣点推荐框架和相关兴趣点推荐算法之间的性能,结果验证了于注意力机制的深度学习兴趣点推荐框架的有效性。(2)针对兴趣点推荐中数据稀疏性和学习用户签到序列性的问题,本文提出了一个基于生成对抗网络的兴趣点推荐系统。该网络利用生成器来生成假样本,采用对抗学习的方式进行训练,可以一定程度缓解数据稀疏性的影响。同时,生成器和判别器中都使用LSTM来学习用户签到中的序列性,根据序列性信息来修正用户当前的偏好。此外,采用多任务学习的方式,训练时利用生成器预测用户当前的位置,以利用地理位置信息来提升推荐的准确性。在兴趣点推荐数据集上进行实验来对基于生成对抗网络的兴趣点推荐系统和其他相关的兴趣点推荐方法的性能进行比较,验证了所提出的兴趣点推荐方法的有效性。