1.基于用户签到行为变化的深层语义分析的兴趣点推荐方法，其特征在于，包括：

步骤一、采集用户签到行为数据，并进行预处理；

步骤二、按照等时段划分预处理后的用户签到行为数据集合C，得到T个子集；

步骤三、使用二维高斯核密度估计方法识别用户所处的本地区域或者异地区域；

步骤四、构建LDSSCS模型对用户的签到行为进行深层语义特征分析；

步骤五、优化LDSSCS模型和参数估计；

步骤六、将基于Top-K的个性化动态即时兴趣点推荐给用户。

2.如权利要求1所述的方法，其特征在于，所述步骤三中使用高斯核密度估计识别用户的本地区域或者异地区域，指将空间二维的经纬度坐标融入到核密度估计方法中，根据用户签到历史位置的经纬度坐标得到用户将签到位置l的概率，设任意位置li的经纬度坐标为l′i＝(lati，logi)T，依据用户签到的历史位置经纬度坐标，计算签到候选兴趣点位置l的概率值：其中，|Lu|表示用户u的签到历史位置总的数量，H为核函数带宽，K为核函数，采用高斯核函数选取，如下所示：

3.如权利要求1所述的方法，其特征在于，所述步骤三中，定义用户集合U＝{u1,u2,...um}，兴趣点集合P＝{p1,p2,...pn}，R∈Rm×n表示包含m个用户和n个兴趣点的用户-兴趣点签到矩阵，把R划分为T＝{t1,t2,...,t|T|}个时间段子矩阵Rt，每一个子矩阵包含对应时间段的用户签到行为；Z＝{Z1,Z2,...,ZT}分别表示用户在T＝{t1,t2,...,t|T|}时刻的用户兴趣点主题；SF、SD、SE分别表示目标用户的直接朋友关系集合、与目标用户有着共同签到行为的用户集合、可信推荐专家集合；β＝{β1，β2，…，β|T|}表示在t时刻控制着用户兴趣点主题Z分布的超参数；

在某一时间段下用户的签到评分Rt被分解为用户特征Ut和兴趣点特征P，由于用户签到行为会随时间t变化而发生变化，定义为Ut，兴趣点特征P被t时间段所有用户共享，定义为P；设置一个开关变量q，当q＝0时，设用户在本地区域，执行周期兴趣点推荐和时间敏感的下一地点推荐时，考虑用户的稳定兴趣和用户所具有的双社会关系，即包含直接朋友关系集合SF和与其具有共同签到行为关系的用户集合SD；当q＝1时，设用户在异地区域，执行周期兴趣点推荐和时间敏感的下一地点推荐时，考虑用户的混合兴趣，即稳定兴趣和短暂兴趣，以及来自可信推荐专家SE的信息；

(a)周期兴趣点推荐

在LDSSCS模型中，当开关变量q＝0时，用户在本地区域，把用户所具有的稳定兴趣主题双社会关系集合融合到基于时序周期变化的矩阵分解模型中，所得到的最小化目标函数表示如下：其中， 表示用户ui在时序状态下的签到活动， 是在t时刻签到行为指

示矩阵，Ut∈Rm×d是在时间状态t下的用户签到行为，表示用户的签到兴趣随时间变化而发生变化，兴趣点特征不随时间发生变化，表示为P∈Rn×d，γ是控制U、P、SD和SF的非负数参数， 表示矩阵的Frobenius范数的平方，参数α和β是正则化项系数，条件项表示本地区域的两种情况，第一种情况是用户一直在本地区域，第二种情况是用户由异地区域回到了本地区域，ωik∈(0，1)表示用户ui和uk在共同签到用户兴趣点行为下的连接权重，ωij∈(0，

1)表示用户ui和uf在考虑直接朋友连接关系下的权重，wik和wif的计算公式分别如下：其中， 表示用户ui已签到的兴趣点集合， 表示用户uk已签到的兴趣点集合；

其中，G(ui)表示用户ui所具有的直接朋友关系集合，G(Uf)表示用户uf所具有的直接朋友关系集合，|x|表示X集合的基数；

当开关变量q＝1时，用户在异地区域，把用户所具有的混合兴趣主题 可信推荐专家SE融合到基于时序周期变化的矩阵分解模型中，所得到的最小化目标函数表示如下：(b)基于时间敏感的下一个兴趣点推荐

在周期兴趣点推荐的基础上，基于时间敏感的本地区域的下一个兴趣点推荐模型定义如下：

其中，St.t-1∈[0，1]和St.t+1∈[0，1]都是时序系数，分别用来测量用户ui在时序状态t和t-1之间的紧密度，t和t+1之间的紧密度，St.t-1和St.t+1越大，用户在时间段t-1、t和t+1之间的签到爱好越紧密，使用余弦相似度分别定义St.t-1和St.t+1：其中，Ct-1(i，：)、Ct(i，：)和Ct+1(i，：)分别表示用户在时间段t-1、t和t+1内签到用户集合；

基于时间敏感的异地区域的下一个兴趣点推荐模型定义如下：

4.如权利要求1所述的方法，其特征在于，所述步骤五中，采用随机梯度算法优化LDSSCS模型，使用随机梯度下降算法随机扫描所有训练数据，并沿着目标函数梯度下降的方向更新参数，每一次更新按如下公式执行：其中，ξ是学习速率，Λ表示描述LDSSCS模型的构建过程中所涉及的参数。

5.如权利要求1所述的方法，其特征在于，所述步骤六中，基于所构建的用户行为偏好模型，当目标用户ui在某一时刻t某一位置l想选择自己喜欢的某一兴趣点进行访问时，即是在t时刻，基于所构建的LDSSCS模型，在已知三元组(ui,t,l)的情况下，执行一个查询任务，首先判断相对于上一时刻，用户所处的位置l是本地区域还是异地区域，如果是本地区域，执行基于用户稳定兴趣和双社会关系的时间敏感的下一地点推荐服务，选择前TOP-K个评分最高的兴趣点推荐给用户；如果是异地区域，执行基于混合兴趣和可信推荐专家信息的时间敏感的下一地点推荐服务，选择前TOP-K个评分最高的兴趣点推荐给用户。