随着信息科学技术的高速发展,推荐系统是当今大数据时代解决信息冗余的重要手段,而近年来移动互联网的崛起使得基于地理位置的服务变得更加重要。在兴趣点推荐领域中存在一些问题与挑战亟需解决,本文的研究内容便基于此展开。主要工作包括以下几点:(1)针对兴趣点推荐问题中普遍存在的数据稀疏问题,本文提出了一种基于有向概率图嵌入表示学习的模型。首先利用原始签到数据构建出有向带权图,接着实现了别名采样算法完成按概率分布采样,达到数据增强的效果;利用兴趣点所独有的地理属性对兴趣点之间的转移概率进行校正,使得训练后的向量既能学习到上下文之间的序列关联,又能学习到上下文兴趣点之间的地理关联;最后利用迁移学习的思想在大量语料上预训练得到兴趣点的嵌入表示。(2)本文提出了一种基于注意力编码器的深度神经网络模型来学习用户的个人兴趣偏好。得益于引入了循环神经网络结构,使得本模型在处理不同长度的签到序列数据时都能高效地提取出用户的兴趣分布;而且注意力机制的加入,使得本模型能够自适应地对用户兴趣变化进行动态学习。(3)为了提升推荐结果的准确性和用户的个性化体验,本文提出了一种基于贝叶斯排序的推荐模型。提出了一种基于地理分层的采样方法,此外为了加快模型收敛速度,本模型还提出具有地理层次感知的小批量梯度下降方法。最后通过优化贝叶斯排序指标,使得提供给用户的推荐列表具有更好的排序质量。(4)结合以上研究内容,本文设计并实现了完整的兴趣点推荐系统,融合上下文序列因素、地理因素和兴趣偏好等因素,有效提升了推荐结果的准确性和多样性。