（1）基于 Gowalla 和 Yelp 两个公开的位置社交网络的签到数据集，挖掘用户签到轨迹偏好。具体地，探究了社交信息、地理信息和时间信息与用户签到偏好的关系。分析表明，上下文信息会影响用户的签到偏好，为连续兴趣点推荐模型的设计提供数据分析支撑。
（2）设计了一种基于非负矩阵分解的特征表示方法对 LBSN 社交信息和地理信息建模，有效地缓解了数据稀疏性问题。具体地，对于社交信息，构造了一个同时包含显性和隐性社交关系的特征矩阵；对于地理信息，构造了兴趣点关联矩阵和地理近邻矩阵；并通过非负矩阵分解计算关于社交信息和地理信息的特征向量。
（3）设计了一个融合社交信息和地理信息的连续兴趣点推荐模型——SGLSTM。该模型通过改进 LSTM 结构，将用户的社交特征向量、兴趣点的地理特征向量以及时间特征作为上下文信息融入到 LSTM 中，实现了异质信息的有效融合。并将连续兴趣点推荐问题转化成一个多分类问题，输出用户在给定上下文条件下对各个兴趣点签到的概率，模型对各个兴趣点签到的概率进行排序，从而为用户推荐下一个最可能访问的兴趣点列表。
参考文献（略）
