随着基于位置的社交网络(Location Based Social Networks,LBSN)的发展,人们往往通过“签到”来分享关于兴趣点(PointofInterests,POI)的体验。基于位置的社交网络蕴含丰富信息,通过分析和挖掘其中的信息为用户推荐其可能感兴趣的兴趣点成为了当前热门的研究方向。当前的兴趣点推荐研究在兴趣点偏好建模中存在以下不足:传统的基于LBSN的POI推荐往往没有考虑其丰富的辅助信息,仅利用了其中的隐式反馈,使得数据稀疏性问题更加明显。基于马尔科夫链建模的用户签到序列关联模型大多是停留在较为低级的兴趣点层面,然而用户的转移行为实际反映的是其更为高层的偏好特征。基于马尔科夫链建模的用户签到序列主要使用一阶马尔科夫链,即后续行程仅仅依赖当前位置,这从一定程度上降低了模型的性能。本文主要工作包括以下几个方面:(1)本文提出了基于异质信息网络(Heterogeneous Information Network,HIN)表示学习和注意力机制来建模用户的兴趣点偏好。首先使用异质信息网络建模数据旨在可以最大限度的使用用户-兴趣点之外的辅助数据,使得数据中蕴含的语义信息更加丰富。然后通过基于异质信息网络的表示学习将网络中的节点表示为实值向量。由于不同的元路径具有不同语义,采用神经网络中的注意力机制对表示向量进行更为高级的融合,最后采用神经网络来建模用户的兴趣点偏好。(2)本文提出了基于主题转移的多阶马尔科夫方法来建模用户在兴趣点间的转移偏好。首先用自然语言处理中的词向量表示学习方法来获得兴趣点的嵌入表示,得到的相似兴趣点在嵌入空间中的位置相近,进而可根据语义信息进行聚类,将兴趣点划归到不同的主题类别中。而后可以利用单个用户和所有用户在不同兴趣点的转移记录来得到不同主题类别之间的转移概率,在此基础上,利用多阶马尔科夫链模型来建模用户的转移偏好。(3)为了验证算法的有效性,本文提出的方法在真实签到记录数据集上进行的大量实验研究,实验结果表明,基于主题转移的多阶马尔科夫方法与基于异质网络表示学习和注意力机制方法可以有效的捕捉用户签到行为特征,能够更好的建模用户转移偏好和兴趣点偏好,实验结果也证明了本文提出方法的有效性。