随着移动互联技术和移动设备GPS定位技术的不断进步,社交网络(Social Network)和基于位置的服务(Location Based Services)逐渐融合形成基于位置的社交网络(Location Based Social Network,LBSN)。LBSN平台移动社交数据的爆炸式增长以及时空上下文的多样变化使得用户面临了信息过载和选择困难等问题,难以快速定位出自己感兴趣的位置点,因此兴趣点(Point-Of-Interest,POI)推荐应运而生。它旨在解决信息过载,挖掘用户个性化偏好,为用户推荐其感兴趣的POI。但是,POI推荐系统面临时空上下文多变、用户和POI签到矩阵极具稀疏和非线性交互建模等问题,依然难以被有效解决。随着深度学习技术的迅猛发展,越来越多的深度学习技术开始应用于POI推荐并取得了明显的成效。因此,本文基于深度学习技术开展了LBSN中用户偏好和嵌入增强的POI推荐模型的研究,完成的主要工作如下:(1)在用户的偏好增强和嵌入表示中,目前的研究大多采用融合LBSN中上下文信息进行建模,如果不能进行有效的挖掘提取,会造成数据维度的增大从而导致原本稀疏的数据更加稀疏。其次,传统基于矩阵分解的协同过滤算法往往难以挖掘出用户和POI之间的非线性交互关系。针对以上问题,提出了基于用户签到社交偏好的POI推荐模型PSC-SMLP(Preference enhanced Spectral Clustering and Spectral enhanced Multi-Layer Perceptron)。模型通过挖掘LBSN中签到信息和社交信息的空间特性提取用户偏好;将谱图理论和神经网络结合构建嵌入层,挖掘用户和POI之间的非线性交互,以深层学习用户的个性化偏好,优化推荐质量。(2)进一步的,考虑到LBSN中用户的签到序列中POI之间往往具有高度相关性,通过用户签到序列挖掘POI的时空上下文信息可以更好地建模POI的嵌入表示。因此,本文在PSC-SMLP模型的基础上,提出了融合用户签到序列时空特性的POI推荐模型—PSC-TTGR(Transformer enhanced Temporal POI Embedding and Geo Preference Ranking Factorization Machine)。在PSC捕获用户偏好的基础上,模型通过融合时间信息和地理空间信息学习具有时空特性的POI嵌入表示,并对POI进行偏好排序,从而能够构建更为丰富的偏好关系,用以训练排序模型,最终为目标用户生成候选推荐列表。(3)选取了Gowalla、Yelp等数据集开展上述模型的实验验证。实验结果表明,PSC-SMLP和PSC-TTGR较对比算法在准确率、召回率等推荐评价指标上均获得提升,PSC-TTGR相对于PSC-SMLP也获得了更好的性能。