随着网络技术的发展以及定位技术在人们生活中的广泛应用,基于位置的社交网络得到快速发展并逐步融入到人们的日常生活中。其中包含的地理位置信息为研究人们的行为模式,挖掘人们的移动规律,提供了丰富的数据支持。兴趣点推荐作为基于位置的社交网络的应用之一,在近年来受到很大关注。兴趣点推荐从用户的历史签到地点序列中,挖掘用户的兴趣偏好,从而为用户推荐其感兴趣的地点,省去了用户自己从众多地点中选取自己感兴趣地点的麻烦,为用户带来方便。现实生活中,兴趣点推荐往往根据用户的签到序列,为用户推荐其下一个可能访问的兴趣点,被称为下一个兴趣点推荐。目前多数下一个兴趣点推荐方法,往往关注用户签到序列对于接下来访问偏好的影响,但是忽视了用户的兴趣偏好随时间的变化,因而推荐结果无法匹配用户当前时间的实时兴趣,不仅影响了推荐结果的准确性,也对兴趣点推荐系统的实用性产生影响。因此,如何在签到序列影响的基础上,对用户的实时兴趣进行挖掘成为了实时兴趣点推荐中的一个关键问题。为了解决上述关键问题,本文提出了一个基于长短期记忆网络的实时兴趣点推荐算法,从用户的长期兴趣与短期兴趣两个方面对用户的兴趣偏好进行挖掘,具体内容如下:用户的长期偏好往往反映在其历史的活动规律之中,当前状态与历史相似状态很大可能拥有相近的兴趣偏好。基于该想法,本文采用一种非局部的网络模型框架,通过构建当前状态与历史状态的时间和空间相似性,对用户的长期偏好进行建模。同时,用户每天的活动规律,往往以一周为一个周期呈现出周期性,因此,本文采用了一个具有周期性的加权函数,来对用户的活动规律进行更好的表示。用户短期偏好具有很强的实时性,会随着时间的不同而改变,并且人们的偏好某种程度上会受大众偏好影响。因此,在建模用户短期偏好时,为每一时段引入了对应的转移向量,来表示相应时段大众偏好对用户产生的影响。此外,在进行最后的兴趣点推荐之前,根据地点类别的访问规律,将不符合当前时段人们生活规律的地点剔除掉,从而减小搜索空间,生成更加贴近用户生活规律的推荐列表。此外,我们设计了相关实验来验证模型各部分的有效性,并与基准方法在真实数据集上进行对比,验证了模型的有效性。