近年来,人们与互联网的交互日益频繁而密切。随之而来的各种手机应用与网络媒体也迎来了高速的发展,上网的用户每天都不得不从海量数据中寻找自己感兴趣的内容,推荐系统便因此开始在互联网中产生作用。本文主要研究的是兴趣点推荐这一应用领域,兴趣点推荐系统专注于帮助移动用户探索新的区域,目的是通过挖掘用户偏好和兴趣点特征等多种因素来对用户当前时间点可能做出的行为进行预测,从而推荐出最优的探索位置列表供用户选择。本文主要包括以下几个方面的工作:针对目前推荐领域中存在的信息多元化的情况,本文旨在融合多种不同的数据类型来构建端到端的推荐模型。为了解决用户与兴趣点间的多度关系表示,缓解用户行为稀疏的问题,本文基于图卷积技术对用户与兴趣点的交互关系图网络进行特征学习。为了解决文本数据建模问题,本文分别对兴趣点的简介文本和用户评论信息利用基于注意力机制的句向量建模和语法分析的手段来构建其对应的向量表达。为了有效捕捉用户的兴趣变化,本文将用户的历史行为分为长时兴趣序列和短时兴趣序列,随后利用循环神经网络和注意力机制对序列数据进行建模,将用户行为转换为一种合理的向量表达。最后通过一个端到端的网络融合以上三个方面的特征和一些人为构造的离散特征,统计特征以及时空特征等来对用户进行兴趣点推荐。此外,为了解决推荐流程中召回阶段和排序阶段之间解耦合可能造成的信息偏移问题,本文还介绍了一种基于向量和文本特征的候选集召回策略,将召回阶段和排序阶段有效的结合在一起。通过用户向量和兴趣点向量进行相似度计算的方式从候选集中大规模地召回候选列表,然后利用文本评论极性对召回的列表进行进一步的微调,再辅以时间统计信息进行约束,最终得出推荐所需的兴趣点候选集。本文通过在一个真实的数据集上的测试,详细验证了本文提出的方法。与本文提及的一些基线模型的对比实验结果表明,本文提出的算法能够在推荐结果的准确性和候选集的召回上达到一定的效果。