城市交通方式的革新扩大了人们的出行范围,也使人们的出行目的地有了更多的选择。大量充斥在社交网络上的推广信息给人们出行带来了选择困难的问题。兴趣点推荐系统则是解决这一问题的良方。然而,目前的兴趣点推荐多为分析社交网络中用户在兴趣点处的签到历史和用户关系网络进行推荐,城市人群出行规律无法被有效利用,推荐结果偏离出行规律。本文的目的是研究城市中人群移动模式的提取方法,设计基于人群移动模式先验的兴趣点推荐算法,实现兴趣点推荐系统。本文首先提出了人群移动模式提取框架（Human Mobility Pattern Extraction,HMPE）,使用图神经网络作为人群移动模式的提取器,引入注意力机制捕获城市交通模式的时空信息。HMPE通过制定下游任务,设计上采样模块将表征向量还原为任务目标,实现端到端的框架学习训练,从而获取人群移动模式提取器的预训练参数。其次,本文提出了兴趣点推荐算法（Human Mobility Recommendation,HMRec）,HMRec算法改进了广度模型的特征交叉方式,并且引入了人类模式的先验知识,使得推荐结果更符合城市中的人类出行规律。本文在2012年纽约的真实数据集上进行了对比实验,实验结果显示出本文提出的算法表现优于基线算法模型,验证了人群移动模式先验知识在兴趣点推荐系统中的有效性。接着,本文参考业界的推荐系统,实现了一个简易的兴趣点推荐系统实例。对于兴趣点推荐在真实场景中落地可能存在的问题进行了探究,并提供了解决策略,实现了简单的解决方案,为兴趣点推荐算法的后续研究和系统落地建立了基础。最后,本文讨论了兴趣点推荐算法和系统存在的目前问题和未来可能的研究和改进方向。