1.一种基于多重兴趣点对排序的个性化兴趣点推荐方法，其特征在于，该方法具体包括以下步骤：S1：获取用户隐式反馈签到数据；

S2：对用户隐式反馈签到数据进行分析，挖掘用户隐式反馈签到数据的空间分布特征，确定用户的活动区域；

通过聚类得到用户u的活动中心集合Cu＝{cu1,cu2,…,cun}以及由已访问的兴趣点组成的多个活动区域集合Au＝{au1,au2,…,aun}；

S3：计算用户对于各活动区域兴趣点的偏好，并将用户的历史签到数据划分为正样本、真实的负样本和潜在的正样本；

联合地理因素对用户签到的影响和用户对不同区域的偏好程度，得到用户u对兴趣点im的偏好公式为：其中，Pgeo表示地理因素对用户签到偏好的影响，Pfreq表示通过签到频率计算出的用户签到偏好， 和 分别表示区域auk的均值向量和协方差矩阵，al表示用户活动区域集合Au中的第l个区域， 和 分别表示区域al的均值向量和协方差矩阵；假设用户对于活动区域内兴趣点的偏好要高于活动区域外的兴趣点，将所有的兴趣点样本集合划分为三个子集：正样本集合 表示用户u访问过的兴趣点集合，真实负样本集合 表示在用户u活动区域外且未访问过的兴趣点集合，潜在正样本集合 表示在用户u活动区域内且未访问过的兴趣点集合；

S4：将三种样本数据作为多重兴趣点对排序模型的训练数据，采用随机梯度下降算法对模型参数进行迭代学习，获得用户对不同兴趣点的偏好程度，具体包括：对于用户u，在样′ ′本集合中采样6个兴趣点，分别为：i、j、k、k 、p、p，其中 以及记 为用户u对于兴趣点i的偏好，计算公式为：

其中，W表示用户潜在因子矩阵，H表示兴趣点潜在因子矩阵，bi表示偏置向量；记 表示用户u对于兴趣点i和j的偏好差，则根据偏好假设，得出 那么对于所有的用户U，有如下的似然函数：

其中，Θ＝{W,H,b}表示模型参数，>u表示所有兴趣点的全序关系，引入对数似然函数，则多重兴趣点对排序模型最终的损失函数为：2

其中，λΘ‖Θ‖为正则化项，对于σ(·)，采用以下公式来计算：采用随机梯度下降算法来优化上述损失函数，在每次迭代中，从 三个兴趣点集合中随机采样6个兴趣点，然后通过以下公式更新模型参数：其中δ表示步长；

S5：根据用户对兴趣点偏好程度的高低向用户推荐一定数量的兴趣点列表。

2.根据权利要求1所述的基于多重兴趣点对排序的个性化兴趣点推荐方法，其特征在于，所述步骤S1中，用户隐式反馈签到数据由用户ID、兴趣点ID、用户签到频率以及兴趣点的经纬度构成。

3.根据权利要求1所述的基于多重兴趣点对排序的个性化兴趣点推荐方法，其特征在于，所述步骤S5中，在用户u的活动区域为Au的情况下，用户u对兴趣点i的偏好计算公式为：对P(ui)进行排序，选择排序靠前的若干兴趣点组成列表推荐给用户u。