近年来,在数据爆炸、信息过载的时代下,POI(point-of-interest)推荐任务已经成为基于位置的社交网络(LBSNs)中最重要的任务之一。POI推荐任务通常通过对用户的历史签到数据以及上下文信息进行建模,帮助用户选择他们感兴趣的地点。这不仅有利于用户对POIs的探索,促进用户进行户外活动,还会有利于商家对商业广告进行精准投放,以便他们获得更高的利润。由于POI签到活动与人们日常生活行为方式息息相关,所以越来越多的研究工作开始从时空影响的角度来模拟用户的行为习惯。但是现有的工作通常只是单纯地对POI签到之间的时间间隔进行建模来考虑签到点之间的时间依赖关系,而没有考虑签到点之间的影响可能是随着时间而变化的。为了改进这一问题,我们将使用霍克斯过程来捕获POI签到点之间随时间而改变的依赖关系,并将其融合在表达学习模型、深度学习模型以及最佳化矩阵求解模型中,提出三种基于霍克斯过程的POI推荐方法给予用户推荐。与此同时,我们也考虑了用户偏好,空间影响等可以影响POI推荐性能的因素来提高最终推荐性能。首先,我们提出了一种新的基于霍克斯过程的自我激励嵌入模型HPSEE(hawkes process based self-exciting embedding model),将用户和地点嵌入到霍克斯空间中来捕获用户的个体偏好以及签到点之间的周期性的时间模式。在HPSEE的基础上,我们又提出了基于霍克斯过程的自我调节嵌入模型HPSME(hawkes process based self-modulating embedding model),来共同捕获签到点之间的兴奋性与抑制性影响。其次,我们提出了一种新的加入空间门的连续时间的LSTM神经网络(long short-term memory)模型Nhaw ST(neural hawkes with spatio and temporal influence),利用神经网络来捕获签到点之间更加复杂的依赖关系。由于考虑到兴趣点之间的影响会随时间变化这一特点,我们将传统的LSTM改成了连续时间的LSTM。同时,我们在提出的LSTM变体中还加入了空间门,用来对相邻签到点之间的距离进行建模,来捕获用户对于地理间隔之间的短期依赖和长期依赖。最后,我们提出了一种基于图正则化的多元霍克斯过程POI推荐模型GRMHP(graph regularized multi-dimensional hawkes process),有效的将先验空间结构集成到多元霍克斯过程中。我们将先验的空间结构表示成了一个连接图,然后利用多视图的方法对先验连接图和影响矩阵进行对齐,同时保持核矩阵的稀疏性与低秩性。此外,我们还使用交替方向乘子法来解决所产生的优化问题。