1.基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法，其特征在于，包括以下步骤：步骤1，采集用户签到行为数据并进行预处理；

步骤2，按照等时段划分用户签到行为数据集合，得到多个子集；

步骤3，依据TpCsSce-PPR模型对用户的签到行为数据子集进行深层语义特征分析，包括以下子步骤：子步骤3.1，根据签到行为数据子集计算兴趣点的真流行度；

子步骤3.2，根据签到行为数据子集建立相似类别专家；

子步骤3.3，根据签到行为数据子集计算基于相似兴趣的相似度；

子步骤3.4，根据所述真流行度、相似类别专家、基于相似兴趣的相似度建立TpCsSce-PPR模型；

步骤4，使用随机梯度下降方法优化TpCsSce-PPR模型，并进行参数更新，根据更新后的用户集合和兴趣点集合，计算可观察签到矩阵，根据该可观察签到矩阵确定推荐给用户的兴趣点。

2.如权利要求1所述的基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法，其特征在于，子步骤3.1具体包括：PF表示兴趣点Pi被用户签到的频率，表示此兴趣点被用户签到的总数与所有兴趣点被签到总数的比值，IPF表示反兴趣点频率，以总用户U的数目除以包含该签到兴趣点用户Ui的数目，再将得到的商取对数得到：兴趣点的新颖度定义如下：

其中，|Ui|表示签到此兴趣点的用户总数，tNew表示目标用户需要兴趣点推荐的当前时间，tStart表示用户兴趣点的建立时间，|tNew-tStart|表示兴趣点从开始建立到用户签到的时间段，综合公式(1)和公式(2)，得到兴趣点在t时刻的真流行度，表示如下：POITrue＝POIThe-first-true×POINovelty    (3)。

3.如权利要求1所述的基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法，其特征在于，子步骤3.1具体包括：在时间段t内，对于用户签到的每一个类别，计算所有用户的兴趣类别权重u.wch，然后选择具有前K个值的用户作为用户ui的相似类别专家，对于获得的相似类别专家，计算用户ui和相似类别专家在时间段t的相似度，计算公式如下：其中， 表示用户ui已访问的兴趣点， 表示相似类别专家uq已签到的兴趣点，|P|表示兴趣点总数量。

4.如权利要求1所述的基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法，其特征在于，子步骤3.3具体包括：定义在时间段t，基于共同评分项目数量的相似度使用如下的Jaccard相似度系数公式进行表示：其中， 表示被用户ui和用户ul共同评分的项目集合， 表示用户ui和用户ul评分项目的总数；

在时间段t采取Pearson相关系数计算用户ui和ul之间的评分相似度：其中，Il∈I(ui)∩I(ul)表示被用户ui和ul共同评分的项目集合， 和 分别表示用户ui和ul的平均评分， 和 分别表示用户ui和ul的评分；

在时间段t下，来自与用户ui有着共同评分用户的影响和用户之间的评分相似度影响，用户ui对ul的基于相似兴趣的相似度表示如下：sim(ui,ul)TS＝sim(ui,ul)Jaccard*sim(ui,ul)Pearson    (7)。

5.如权利要求1所述的基于兴趣点真流行度与隐式信任挖掘的兴趣点推荐方法，其特征在于，子步骤3.4中建立的TpCsSce-PPR模型为：其中， 表示用户在时序状态t下的签到活动，是在时间段t下的显示函数，α、β和γ均为正则化参数，SCE为相似类别专家集合，STU为用户信任的朋友集合，T表示划分用户签到行为数据集合得到子集数量，m表示用户数，n表示兴趣点数量，Pj表示兴趣点特征，Ciq表示签到类别，Wiq表示用户和相似类别专家的相似度，sim(ui,ul)TS表示用户ui对ul的基于相似兴趣的相似度；

在公式(8)的基础上，加上项目真流行度正则化项，进一步完善基于矩阵分解的推荐方法的目标函数如下：其中，λ是正则化参数，控制兴趣点真流行度的影响程度，POITrue是兴趣点真流行度值，λ值越大或者POITrue值越大；

在公式(9)的基础上，加上地域影响因子正则化项，进一步完善基于矩阵分解的推荐方法的目标函数如下：其中，τ是正则化参数，控制地域影响影响程度，sim(lg,li)表示兴趣点lg与兴趣点lj之间的相似度，N(lj)表示与兴趣点lj相似的兴趣点集合，使用高斯函数定义兴趣点lg与兴趣点lj之间的相似度sim(lg,lj)：其中，xj和xg分别表示兴趣点lj与兴趣点lg的地理坐标向量，δ为常数，公式(11)表示两个兴趣点的距离越近，它们的相似度越小。