互联网经过了几十年的蓬勃发展,基于位置的社交网络(Location-based Social Network,LBSN)已逐渐深入到每个人的生活中,针对用户进行个性化的兴趣点(Point-of-Interest,POI)推荐研究也就变得愈来愈重要。通过学习用户对兴趣点的真实偏好来为用户推荐其感兴趣的兴趣点,不仅可以使用户获得便利,还可以为商家带来巨大的经济效益。在基于位置的社交网络中,用户会对自己喜欢的兴趣点进行签到并产生额外的信息,因此,将这些相关的信息融入兴趣点推荐是提升推荐效果的关键。然而,以往的方法在对用户进行新兴趣点推荐时大多忽略了好友对用户的影响力,基于好友的协同过滤也没有考虑到用户的自身偏好。针对地理兴趣点的Top-N推荐问题,提出了一个基于深度神经网络的混合推荐模型——FSNR。该模型融合了用户的历史签到记录、用户的社交关系、兴趣点的地理位置等信息,从三个方面学习好友的影响力并建模用户对兴趣点的潜在偏好。具体而言,FSNR模型首先利用深度神经网络技术和潜在因子模型建模复杂的用户交互,从隐式反馈中学习到用户和兴趣点的潜在表示。然后利用用户的社交关系和用户的活动地理信息来学习用户与好友的三种相似信息:签到相似性、社交相似性和位置相似性,并且根据用户相似度对用户的决策产生影响。最后,将用户对兴趣点的偏好分数和其好友的建议分数进行混合得出兴趣点的最终推荐分数,选出前N个分数最高的兴趣点推荐给用户。在三个真实的数据集上的实验将FSNR模型与其他的优秀方法进行准确率和召回率的对比,并且分析了模型内部参数对模型推荐效果的影响。实验结果表明,FSNR模型具有更好的推荐效果。