随着信息技术和移动互联网地快速发展,移动设备得到普及,基于位置社交网络(LBSN,Location-based Social Network)越来越被人们重视,如美团网和大众点评等。兴趣点(POI,Point-of-Interest)推荐在LBSN中起着至关重要的作用,因此引起业界和学术界地广泛关注,成为一个重要的研究热点。传统的兴趣点推荐是根据用户的兴趣来进行推荐,较少地考虑用户访问的连续性,忽略了用户行为之间的时序关系。而用户通常更关心下一时刻符合自己偏好的兴趣点,而这种推荐方式与传统兴趣点推荐不一样,这种推荐更关注于下一时刻的推荐,本文成这种推荐方式为连续兴趣点(SPOI,Successive Point-of-Interest)推荐。预测用户下一时刻可能会访问的兴趣点,一方面可以帮助用户在合理的时间做出合理的决策;相比于传统兴趣点推荐,连续兴趣点推荐的兴趣点有更强的时效性。另一方面帮助商家在不同的时间预估用户的数量,帮助商家合理安排人手。可以看出连续兴趣点推荐比传统兴趣点推荐有更高的研究价值,然而,连续兴趣点推荐比传统兴趣点推荐面临着更多的挑战:1.数据稀疏性问题,用户-兴趣点矩阵稀疏,也就是用户和兴趣点很多,但是很多用户访问少量的兴趣点。2.序列行为建模难问题,用户的序列行为模式多变,较好地捕获不同用户序列的行为是一个比较难的问题。针对以上问题及困难,通过挖掘时间、空间信息,设计和提出一系列新的模型来提高推荐效果以及改善用户体验。具体来讲,本文的主要工作如下:1.基于用户细粒度兴趣的连续兴趣点推荐:连续兴趣点推荐需要着重考虑用户访问兴趣点的顺序,同时用户可能访问很少的兴趣点,存在数据稀疏和序列行为建模难问题。为解决以上问题,提出基于用户细粒度兴趣的神经网络模型,该模型同时引入用户细粒度兴趣和外部文本信息。用户细粒度兴趣分为长期兴趣和短期兴趣,模型从用户的访问兴趣点的行为中学习用户细粒度兴趣表示,然后将这些因素融合起来进行推荐。2.基于注意力机制的N-连续兴趣点推荐:连续兴趣点推荐在推荐的时候是没有考虑具体时间,并且如果推荐的时刻不合时宜,推荐的结果会没有意义。基于这个问题提出N-连续兴趣点推荐。用户选定起止时间和时间粒度,系统会计算出需要推荐的时间点,推荐N个连续的兴趣点给用户。为了解决这个问题,提出了基于注意力机制的神经网络模型,该模型将个人兴趣、地点偏好以及时间因素融合进来,并根据用户的需求实时的做出推荐。以上两个模型,在两个公开数据集Foursquare和Gowalla上进行验证。第一个模型在在下一时刻推荐给用户兴趣点,模型效果通过准确率和召回率进行评估,结果显示,该模型的推荐效果相比于目前流行的算法来讲,有更好的性能;第二个模型是推荐连续N个兴趣点给用户,当N等于1时等同于连续兴趣点推荐,推荐结果通过带有顺序限制的准确率和召回率进行评估,通过评估发现该模型有较好的推荐效果。