社会化媒体指基于互联网的、允许用户以创建和分享信息来进行社会交互的新型媒体。兴趣点数据指一种代表真实地理实体的点状地理空间数据。社会化媒体使得更多的兴趣点得以被发现,丰富了兴趣点数据;兴趣点数据通过地理维度刻画社会化媒体,提供了新的研究视角。社会化媒体的兴起和兴趣点数据的丰富,使得人们在线上的交互和线下的活动逐渐趋向于融合,互联网与真实世界的结合变得越来越紧密,社会化媒体兴趣点推荐由此成为热点问题。在深入了解用户出行模式并充分挖掘用户偏好的基础上,社会化媒体兴趣点推荐一方面能够向用户提供建议,帮助其了解感兴趣的场所和地点,从而提升社会化媒体的服务水平;另一方面将场所和地点通过社会化媒体平台展现给潜在用户,实现相关企业的精准营销,从而获得用户和企业的双赢。社会化媒体具有其独特的属性和结构,表现为如下三个方面:（1）丰富的信息,即社会化媒体中具有大量不同种类的实体,从而形成了不同结构的上下文信息;（2）复杂的关系,即不同种类的多个实体之间交互行为产生了不同的关系;（3）各异的场景,即丰富的信息和复杂的关系反映了用户的不同需求。社会化媒体的空前繁荣,使得社会化媒体营销能够加强企业与用户之间的互动,从而帮助企业取得市场优势。目前,社会化媒体营销已成为众商家最重要的营销手段之一,也为社会化媒体兴趣点推荐提供了前所未有的市场机会和应用前景。兴趣点数据反映了地理实体所承载的人类活动以及人类活动与地理位置的相关性。随着研究的不断深入,本文认为基于兴趣点数据的研究呈现出人地耦合、方法创新与知识协作三大趋势。其中,人地耦合指针对“人-地”系统之间耦合关系的探寻与解析,尤其是兴趣点推荐,已成为兴趣点数据研究的主要发展趋势;方法创新指应用时空聚类特征、时空关联规则以及机器学习、深度学习等方法,进行人地要素多维语义的自动化、智能化分析;知识协作指兴趣点数据需要与社会化媒体数据相结合,深入研究人与环境的相互关系。社会化媒体兴趣点推荐可分为多种场景。本文主要研究面向单一用户的单一兴趣点推荐、面向单一用户的下一个兴趣点推荐以及面向群组的事件兴趣点推荐三类应用较为广泛的场景。现有的社会化媒体兴趣点推荐方法在上述不同场景中对用户的行为建模不够精准,亟需充分挖掘社会化媒体中丰富的信息,充分利用社会化媒体中复杂的关系,完全认识社会化媒体中各异的场景。针对上述问题,本文面向三类场景并利用不同信息,提出了相应的兴趣点推荐算法,从而提高兴趣点推荐效果,并改善用户体验。具体来讲,本文的研究内容如下:1.面向单一用户的单一兴趣点推荐。基于位置的社交网络中具有大量异构数据,很难统一表达其含有的丰富信息;“用户-兴趣点”矩阵非常稀疏,不利于提取其对应的特征。本章对基于位置的社交网络中的地理位置、社交关系以及时间周期三类影响因素进行了综合分析,并提出了一种基于加权异构信息网络的算法进行兴趣点推荐。首先,在分析人类移动行为模式特征的基础上,重点研究了时间周期对兴趣点推荐的影响,并使用8个时间段表示共同访问行为。其次,采用加权元路径对地理位置,社交关系和时间周期三类信息进行融合,在此基础上提出了SVD++&FM模型。最后,基于真实数据集对所提出的算法进行评估。2.面向单一用户的下一个兴趣点推荐。下一个兴趣点推荐指的是预测用户在特定时间段内将访问的下一个兴趣点。用户出行模式受到异构的上下文因素影响,包括连续值（例如,地理距离,时间间隔）和离散值（例如,社交状况,星期状况）。本章采用稀疏共享的结构来产生专家网络,并采用多门混合专家模型来实现多个目标任务之间的参数共享。首先,使用稀疏共享结构针对每个目标任务从基础网络中生成对应的专家网络,并采用迭代幅度剪枝法选择专家网络。其次,多门混合专家模型采用专家网络作为将输入层,每个专家网络对于输入信息的处理具有不同的侧重,并采用多个门网络对任务目标进行专家网络的共享选择。最后,基于真实数据集对所提出的算法进行评估。3.面向群组的事件兴趣点推荐。群组指的是多个用户形成的群体。面向群组的事件兴趣点推荐,涉及到多个实体（如用户,群组,事件,兴趣点等）之间的复杂交互。本章提出了一个基于异构信息网络和深度神经网络的事件兴趣点推荐算法,为事件推荐合适的举办兴趣点。首先,使用了基于优先级的采样技术来选择高质量的路径实例。然后,构建了群组,事件,兴趣点和基于元路径的上下文的嵌入表示,并采用共同注意机制对其进行改进。最后,基于真实数据集对所提出的算法进行评估。基于上述研究内容,本文的创新点概括如下:1.面向单一用户的单一兴趣点推荐。本章对基于位置的社交网络中地理位置、社交关系以及时间周期进行了综合分析,并提出了一种基于加权异构信息网络的算法产生兴趣点推荐。本章采用加权元路径对地理位置、社交关系和时间周期三类信息进行融合,缓解了冷启动与数据稀疏问题;采用SVD++&FM算法,降低了推荐过程的计算成本。基于真实数据集对所提出的算法进行评估,验证了本章方法的有效性和实用性,以及将加权异构信息网络和加权元路径应用于个性化兴趣点推荐的前景。2.面向单一用户的下一个兴趣点推荐。本章基于多任务学习对用户的多种类型行为进行建模,提出了一种基于稀疏共享的多门混合专家模型。稀疏共享结构针对每个目标任务从基础网络中生成对应的专家网络,无需人工设计专家网络,同时使得专家网络更有针对性;多门混合专家模型中每个专家网络对于输入信息的处理具有不同的侧重,改善了由多模态生成的复杂特征空间中的表示学习。基于真实数据集对所提出的算法进行评估,验证了本章方法的有效性和实用性,以及将多任务学习和稀疏结构共享应用于下一个兴趣点推荐的前景。3.面向群组的事件兴趣点推荐。本章对基于事件的社交网络中多个实体及其交互进行了综合考虑,提出了一个基于异构信息网络和注意神经网络的事件兴趣点推荐算法。首先,使用了基于优先级的采样技术来选择高质量的路径实例。然后,构建了群组、事件、兴趣点和基于元路径的上下文的嵌入表示,并采用共同注意机制对其进行改进,从而增强了模型的可解释性。基于真实数据集的实验结果,验证了本章方法的有效性和实用性,以及将异构信息网络和注意神经网络应用于事件兴趣点推荐的前景。