移动互联网技术的发展、移动多媒体设备的普及以及定位技术的广泛应用让美团、大众点评、Facebook、Yelp等基于位置的社交网络应用逐渐融入了大众的生活。这些应用提供了许多基于位置的服务,典型的如兴趣点推荐服务。兴趣点推荐通过对个体和群体用户行为的数据分析,能从海量的兴趣点数据中快速定位个体用户可能感兴趣的兴趣点,进而方便服务提供商提供有针对性的营销策略和服务,具有重要的研究价值和现实意义。然而,受用户-兴趣点签到数据极度稀疏的影响,传统的基于浅层学习模型的推荐算法由于难以学习到用户和兴趣点的深层次特征,推荐性能受到限制。近年来,社交网络应用已经逐渐成为了人们日常联系的工具。在这些应用中,人们发表评论,分享图片。评论和图片中蕴含着大量的语义信息,能否充分挖掘评论和图片的语义信息,并将这些信息用于丰富用户和兴趣点特征建模进而提高推荐性能是本论文研究的关键问题和目标。本论文主要研究工作及效果概括如下:1.针对评分数据稀疏不能充分反映用户偏好特征和兴趣点属性特征问题,提出了一种融合评论文本语义特征的兴趣点推荐模型RSFMF。RSFMF首先通过BERT预训练模型提取评论文本的深层次语义特征,然后分别构建用户-评论文本语义特征矩阵、兴趣点-评论文本语义特征矩阵和用户-兴趣点评分矩阵,最后基于概率矩阵分解构建统一的个性化兴趣点推荐模型。在Yelp公开数据集上的实验表明:在RMSE和MAE两项评价指标上,RSFMF模型比传统的概率矩阵分解PMF模型分别提高了31.925%和49.619%。实验结果说明融合评论文本语义信息能够丰富用户偏好特征和兴趣点属性特征的表征,提高兴趣点推荐的性能。2.为拓展数据来源,进一步提高兴趣点推荐性能,提出了一种融合评论文本和图像语义特征的兴趣点推荐模型RIPOI。RIPOI首先改进了主流的VGG16神经网络模型,使其适于提取图像语义特征;其次,分别建模用户-评论文本语义特征关系、兴趣点-图像语义特征关系和用户-兴趣点评分关系;最后,基于概率矩阵分解构建统一的个性化兴趣点推荐模型。在Yelp公开数据集上的实验表明:在RMSE和MAE两项评价指标上,相比于Basic MF、PMF、NMF和SVD++矩阵分解基准算法中表现最佳的SVD++算法,RIPOI模型分别提高了6.731%和9.579%;比本文之前提出的RSFMF分别进一步提高了4.304%和0.875%。实验结果说明融合评论文本和图像语义特征在一定程度上可以缓解评分矩阵过度稀疏导致推荐性能不佳的问题。