随着移动定位技术的成熟以及智能手机、手环等移动终端的普及,基于位置的社交网络(Location-based Social Networks,LBSN)逐渐成为人们生活中不可缺少的组成部分。在LBSN中,位置推荐服务也被称为兴趣点(Point-of-Interest,POI)推荐。POI推荐通过分析用户历史签到数据,挖掘用户偏好,预测用户可能访问的位置地点。本文研究传统推荐和深度推荐方法在POI推荐任务上的应用,在对用户签到行为分析的基础上,对现有方法做了大量的研究与改进,提出了两种切实可行的改进模型,并通过实验验证了模型的有效性。首先,提出了融合地点影响力的POI推荐模型。为缓解数据稀疏问题,将2-度好友引入协同过滤算法中,获取社交因素对签到的影响;针对现有协同过滤算法推荐准确率较低的问题,构建地点影响力模型,结合核密度估计方法深入挖掘地理位置因素的影响,提高推荐的准确性;同时利用2-度好友签到记录构建候选集,提升推荐效率。其次,提出了基于多特征表示和注意力机制的深度POI推荐模型。在研究深度推荐方法的基础上,构建POI及用户特征的提取模型。具体地,使用约束矩阵分解方法获取POI地理位置和类别特征的联合表示,使用词嵌入模型获取POI的语义特征,实现对POI全面深入的多特征表示;同时,改进用户特征的生成方法,使用Attention机制提高模型获取用户偏好关键信息的能力;此外,构建一个深度学习推荐框架,用于建模特征之间的非线性交互关系,提高推荐的准确性。最后,在上述研究的基础上,设计并开发了位置社交网络推荐原型系统。完成了系统界面与业务流程的设计,并将算法研究过程中提出的模型和方法进行封装和重构,形成了以数据分析与展示为支撑的位置社交网络推荐系统。该论文有图36幅,表5个,参考文献84篇。