移动网络的迅速发展和智能设备的普遍应用,使得大量包含位置信息和文本信息的空间-文本对象涌现在Web上,推动了美团、携程、头条、Gowalla、Yelp、Foursquare、Facebook等基于位置服务系统的发展。这些空间-文本对象表示了现实中的兴趣点（Point of Interest,POI）,如餐厅、景点、宾馆等地点,兴趣点推荐技术正成为当前时空数据库、推荐系统和基于位置的服务领域备受关注的研究热点。下一个兴趣点推荐（Next POI Recommendation）是兴趣点推荐技术中的一个重要分支。当前的下一个兴趣点推荐方法主要基于用户签到序列（User check-ins）进行推荐,但仅凭签到序列无法发掘用户的社交关系。实际上,用户访问的下一个兴趣点还会受到多方面因素影响,比如用户偏好、用户的社会关系和签到时间信息等。针对上述问题,本文通过对用户签到序列建模和分析用户社会关系来挖掘用户偏好,把用户偏好分为长期偏好、短期偏好、当前偏好和周期偏好四种类型,进而为用户推荐其下一步可能访问的兴趣点。首先,通过构建时空感知GRU模型来获取用户的当前偏好和短期偏好。然后,基于用户最近签到记录和当前签到记录之间的关系,提出了融合注意力机制的时空感知GRU模型来捕获用户的周期偏好。对于用户社会关系的分析,首先把用户社会关系分为用户朋友关系和偏好相似关系,进而根据这两种关系建立用户关系图,在此基础上提出User-Graph Sage模型对用户社会关系进行预训练,从而得到用户在社会关系上的嵌入向量表示。接下来,采用谱聚类算法对兴趣点按地理位置进行聚类,并将聚类结果嵌入到向量中得到兴趣点在地理空间上的嵌入向量。最后,通过构建一个多层神经网络模型,捕获用户与兴趣点之间的非线性交互,将用户和兴趣点的嵌入向量输入到神经网络模型中进行下一个访问兴趣点的评分预测。通过在CA和Gowalla两个数据集上对所提模型的效果进行验证,并与目前推荐效果最好的下一个兴趣点推荐模型进行对比,实验结果表明本文方法能够有效生成用户的社会关系向量、兴趣点的嵌入向量以及不同类型的用户偏好向量,并且达到了较高的下一个兴趣点推荐准确性。该论文有图25幅,表14个,参考文献72篇。