互联网和移动通讯技术的发展使人们的生活中充斥了大量的信息和资源,推荐系统在帮助用户过滤无关信息、辅助决策方面发挥着日益重要的作用。兴趣点推荐通过分析用户在数字世界的行为记录、理解和挖掘用户偏好,将物理世界中符合用户偏好的地点资源推荐给用户,是连接实际生活和数字世界的桥梁,已经成为当前基于位置的社交网络服务中的一项重要内容。虽然学者们已经在兴趣点推荐问题上进行了一些探索、积累了一定的研究成果,但是在当前数据体量海量化和场景复杂化的现实背景下,用户偏好也呈现多样化、个性化的特点,导致兴趣点推荐的研究面临着一些新的挑战:如何综合用户行为的内在、外在影响因素研究适应复杂场景特征的兴趣点推荐方法;如何学习用户意图、偏好等内在因素对用户行为的影响;如何学习用户行为中的个性化时序特征把握未来行为动向等。针对这些挑战,本文开展的研究工作主要包括:（1）提出一种利用地点类别信息刻画用户意图和考虑时空偏好的兴趣点推荐方法。在已有研究的基础上,本文使用地点类别信息刻画用户的签到意图,建立基于类别属性的意图偏好表示方法。同时,本文提出了一种基于LSTM的时序偏好学习方法,预测时间维度上的签到概率;提出了基于核密度估计的个性化位置偏好建模方法,预测空间维度上的签到概率。本文综合意图、时间和空间三个维度的签到概率得到候选地点集合,有机地融合了兴趣点推荐问题中用户行为的内部和外部影响因素。真实签到数据集上的实验验证了本文方法相比于其他方法在兴趣点推荐任务上的优越性,同时,本文在实验中探究了不同因素对推荐性能的影响,得到了不同因素的重要性评价。（2）提出一种刻画用户偏好的超球体模型及兴趣点推荐方法。为了挖掘用户行为的时序偏好,本文根据历史签到序列建立签到图,利用DeepWalk算法学习图上的地点特征,构建基于用户兴趣中心和兴趣半径的超球体偏好模型,将用户偏好映射到高维特征空间内。同时,本文提出了基于Bi-LSTM、自注意力网络和Memory网络的时序偏好特征学习方法。基于构建的超球体偏好模型,本文提出了一种适应数据特征的距离-概率转换方法,将候选地点特征向量与兴趣中心向量的距离转化成签到概率,据此通过修正候选地点的排序得分优化推荐结果。真实签到数据集上的实验验证了本文方法在多个评价指标上的性能都优于对比方法,此外,本文在实验中讨论了模型不同部件的重要性、探究了重要参数对推荐性能的影响。（3）提出了一种基于时序-层次特征的意图学习和兴趣点推荐方法。本文从地点类别的层次性特征出发,提出基于层次树状结构的用户意图表示方法,提出基于LSTM的层次注意力网络,构建了一个意图特征学习模快,从时序性和层次性两个角度学习用户意图。为了挖掘用户行为的时序偏好特征,本文提出了一个基于Memory网络的时序偏好特征学习方法,提出一种基于意图和时序偏好特征的兴趣点推荐方法。同时,本文建立了一个意图预测模块,采用多任务学习策略同时优化模型对用户未来签到地点和意图的预测,通过预测未来意图优化兴趣点推荐性能。实验结果表明,本文方法不仅提高了兴趣点推荐的性能,同时也能准确预测用户的未来意图,在消融实验和参数实验中也展现出了更好的模型稳定性。