随着无线通信和移动设备(例如移动电话和智能手表)的快速发展,大量数据被收集在诸如Yelp和Foursquare这样的基于位置的社交网络(LBSN)中。这些海量的数据为学习人类的活动供了许多新的研究方向,例如社会关系推理,朋友关系预测等等,其中向他们推荐可能感兴趣但从未访问过的兴趣点(POI)是一个重要的应用,并且受到了学术界和工业界越来越多的关注。现今在此领域已经产生了大量的相关算法,绝大多数工作都是通过挖掘兴趣点与用户之间的各种特征和关系(例如,时序关系,地理位置关系,用户社交关系等)来改善兴趣点(POI)推荐的性能。然而,很少有工作是从“为什么用户更喜欢某些兴趣点而不是其他的兴趣点”的角度出发,对兴趣点推荐的机制进行研究。因此在本篇论文的研究中,我们首次尝试使用生成模型,以生成兴趣点的方式模拟兴趣点的推荐过程,出了对抗性兴趣点推荐(APOIR)模型来学习用户偏好的分布。该模型由两个部分组成:(1)推荐模型:通过最大化将这些兴趣点被预测为从未访问过但是可能感兴趣的地点的概率,来学习到用户对兴趣点的偏好的分布,来推荐兴趣点;(2)鉴别模型:它将推荐的兴趣点与真正的用户check-in区分开来,并供梯度作为深度增强学习的奖励来改进推荐模型。这两个组成部分是通过一个极小极大的优化过程来不断地改进自身的效果,互相给对方供优化的指导来共同训练的。同时,通过将兴趣点之间的地理位置因素和用户社交网络关系因素整合到奖励函数中进一步优化推荐模型效果。最后,在使用真实数据集的情况下,本论文将APOIR与最为先进的若干种兴趣点推荐算法作对比,在四个标准评估指标中均可获得显著的效果上的升。兴趣点(POI)推荐不论对于用户还是商家的各种服务来说都至关重要。因此对于该方向的研究无论在科研领域还是工程领域都具有很大的意义和价值。