近年来,随着GPS定位技术的广泛使用,极大地增强了基于地理位置的社区网络服务的发展。尤其是手机等信息通讯设备的普及,使得人们可以随时随地的使用在线社交网络平台分享所在的位置及评论内容,形成了基于位置的社交网络(Location Based Social Network,简称LBSN)。与传统社交网络服务相比,该服务提供了用户签到机制,签到行为将用户社交行为和位置信息结合起来,能够从多维角度反映用户偏好,生成用户画像。传统的网络研究面向结构单一的同质网络,且大数据分析模式偏向结构化数据,无法反映社会服务的动态空间特性。但是,大多数应用面对的是从现实世界中抽离得出的蕴含多种类型的异构实体。为了更好的应对复杂多变的社会服务数据,深入研究多元异构条件下关于时空轨迹的用户兴趣点推荐问题是十分必要的。本文主要通过挖掘用户签到轨迹中具有特定含义的元路径,实现异构知识网络多因素条件下用户兴趣点预测任务,主要工作如下:1)基于时空语义知识构建用户出行轨迹知识图谱。针对用户兴趣点预测领域中多源异构数据难以综合分析等问题,本论文利用知识图谱复杂语义关联的优势,建立关于用户签到轨迹的知识图谱,作为后续推荐应用的底层知识表示。同时,在概念层面设计并抽象出规范的实体和关系本体模型,用以指导知识图谱的构建和存储。2)基于元路径信息构建异质网络表示学习模型。针对现有的复杂网络难以挖掘和向量化的问题,本文根据用户签到轨迹的特点改进了传统的图嵌入算法,提出使用以元路径为基础的图嵌入技术将实体转化为向量,获得抽象的用户的行为特征。尤其是利用异构条件下的随机游走策略生成有意义的节点序列进行网络嵌入表示的方式融合了时间和空间信息,达到了良好的向量化表示效果。3)以时空条件为背景建立混合推荐模型。针对传统的推荐系统中存在的数据稀疏、冷启动和缺乏解释性的问题,并且满足在不同的时空条件下为用户推荐合适的兴趣点的要求,本文提出了一种基于元路径语义信息的混合推荐算法。4)本文的实验使用Foursquare数据集来评估所提出的方案。实验结果表明,使用本文提出的基于时空网络的推荐模型(Spatio-Temporal Network-Based Recommender STNBR)框架能够很好地整合时间和空间特征,准确的挖掘和表达用户的行为偏好,相比于不考虑时空特性或只考虑单一影响因素的算法在推荐的准确性和性能上较优,尤其是在多因素融合计算的条件下获得了较好的推荐效果。