随着互联网的普及以及地理位置定位技术的成熟,使基于位置的社交网络(Location-based social networks,LBSN)推荐服务成为现实。加之经济的发展,旅游被越来越多人所青睐,基于用户位置的个性化POI(Point-of-Interest)推荐成为目前研究的热门。POI兴趣点推荐作为位置社交网络中重要的分支,通过数据建模,分析用户的历史行为签到记录,学习用户的个性化偏好,以帮助用户找到最感兴趣的个性化地点。兴趣点推荐与传统的物品推荐极为不同,主要表现在数据稀疏;用户的签到数据样本都为正样本,负样本缺乏;用户兴趣偏好会随时间的推移而改变;用户签到的兴趣点在一定时间内具有空间聚集性,因此兴趣点推荐具有极大的挑战。针对以上问题,本文提出了一种全新的基于深度神经网络的个性化Next POI推荐框架。该框架首先利用Embedding,将用户与地点的相关信息与属性转化为向量的形式,该方式可以让网络精确学习用户的位置顺序地点信息,避免了传统矩阵分解技术的缺点。接着通过LSTM神经网络,提取位置数据的特征信息,最后引入用户-地点交叉注意力机制对个性化时间签到序列进行动态建模。该方式可以动态获取用户对于地点的喜好程度。针对有上下文信息的环境提出了融合时间、类别、地理位置上下文信息来提升推荐的准确度。本文的主要工作如下:1)提出并设计了基于LSTM的用户-地点交叉注意力机制的Next POI推荐模型(L-attention)利用深度神经网络动态非线性的对用户的偏好进行建模,成功将Embedding、LSTM和交叉注意力机制相结合。解决了传统推荐方法没有解决的时序问题以及深度推荐下没有考虑的注意力问题。2)在基于LSTM的用户-地点交叉注意力机制的Next POI推荐模型的基础上面,成功融合了POI地点的上下文信息,提出了融合上下文信息的深度POI推荐模型(FL-attention)。3)基于公开的Foursquare签到数据集,通过大量实验验证本文模型的有效性。首先对比不同的深度推荐算法模型,实验结果表明,在不同稀疏度下,本文算法模型的准确度都要高于其余算法。其次本文通过调节模型的不同参数,验证不同参数对于模型的影响,最后通过增加神经网络的层数来分析神经网络的规模对于算法的影响。4)设计了一款基于用户的Next POI推荐系统平台UNP(User Next POI)。对于有明确需求的用户,使用非个性化推荐功能模块,而无明确需求的用户,则使用个性化推荐需求模块,其中个性化推荐模块融合本文提出的Next POI推荐算法。