兴趣点推荐在基于位置的社交网络服务中发挥着重要作用，能够帮助用户发现有吸引力的兴趣点，也可以帮助商家向潜在用户推荐兴趣点。随着基于位置的社交网络服务迅速发展，对兴趣点推荐的需求也越来越强烈。目前，研究者大多从用户偏好和地理影响两方面出发解决兴趣点推荐问题，以保证推荐结果的质量。然而，现有用户偏好模型在面对异常稀疏的签到数据时不能最大程度挖掘出用户偏好，通常需要引入一些额外数据来加以缓解，但当额外数据缺失时推荐效果就会受到极大的影响。此外，现有的地理影响模型中基于幂律分布的模型推荐效果最佳，但是其忽略了用户对己签到的不同兴趣点偏好程度是不同的这一关键信息。因此，本文提出相应模型以解决上述问题。
　　本文设计了基于门控注意力自编码器的用户偏好模型，在不引入额外数据的情况下缓解了数据稀疏问题，充分挖掘出用户偏好。该模型将包含邻居信息的辅助签到向量和真实签到向量作为输入，在门控机制的作用下抽取结合两者的关键信息代表用户偏好，同时提出挖掘兴趣点嵌入向量中的隐含特征计算多维注意力，区别己签到兴趣点的重要性以加强用户偏好的学习。本文提出基于加权幂律分布的地理影响模型，该模型考虑到用户对已签到兴趣点具有不同的偏好程度，以加权的方式累计已签到兴趣点的地理影响。本文通过加权线性的方式融合用户偏好和地理影响进行兴趣点推荐，该混合推荐算法利用有限的签到数据挖掘出用户偏好，准确捕捉地理因素的影响，从两方面精准刻画用户和兴趣点之间复杂的交互关系。最后，在Foursquare和Yelp两个真实数据集上进行了大量的实验与分析，验证了基于用户偏好和地理影响的混合推荐算法UPGI的有效性及每个创新点对推荐效果的提升。