随着第四代移动网络的快速发展以及内置定位系统的完善,使得一些社交媒体平台可以便捷的获取用户的位置信息。而用户也可以根据自己的偏好将访问地点的相关信息分享在社交平台上。由此向用户推荐感兴趣的地点(POI)成为了推荐领域下的一个热门方向,越来越多的研究者提出了先进的同时具有实际应用意义的POI推荐算法。然而有些经典的推荐算法经常会面临非凸优化问题,例如矩阵分解、神经网络等。尤其是在噪声数据或者异常值的影响下,会导致推荐算法表现效果不佳。为了解决这一问题,本文尝试将自步学习的理念引入推荐算法中,并在真实的数据集下研究观察其可行性。自步学习是一种新的模型学习方式,它采用了我们日常生活学习新事物的思想,将模型训练样本的过程,变成由简至繁的过程,从而提高模型的效果。本文主要研究自步学习的特性,然后结合POI推荐领域的一些具有代表性的算法,深入研究自步学习在推荐算法上的应用,以缓解噪声数据对模型的影响,进而提高推荐的效果。本文主要的研究工作和创新点如下:(1)为了分析自步学习的特性,我们结合传统矩阵分解算法,证实了在噪声数据的影响下,自步学习确实可以帮助矩阵分解达到一个很好的效果。同时我们在真实数据集MovieLens下,结合广义矩阵分解分析了传统自步学习软权重的四个弊端,并通过噪声的角度分析了产生这些问题的原因以及改进的方法。最终提出了一种新型的自步学习,我们命名为带边界的自步学习(Bounded Self-Paced Learning)。(2)重点研究了两个经典的POI推荐算法USG模型和MGMPFM模型,并分析了基于位置的社交网络下影响用户签到行为的几个主要因素。同时在数据集Foursquare和Gowalla下实验得到融入自步学习后的MGMPFM模型确实具有较好的表现效果。(3)为了进一步推广自步学习和验证自步学习的通用性,我们首先重点研究了深度学习下经典的推荐算法神经矩阵分解(NeuMF),然后将传统的自步学习软权重和改进后的带边界的自步学习分别融入了GMF、MLP、NeuMF,并在真实数据集Brightkite和加了噪声后的Brightkite数据下证实了带边界的自步学习确实能够很好提升推荐效果,尤其是在噪声的影响下,相比较传统模型和传统自步学习,带边界的自步学习的提升更加明显。