1.一种影响力感知驱动的连续兴趣点实时推荐方法，其特征在于：包括以下步骤：步骤一、获取用户打卡历史信息，将每一个用户一天内的打卡数据组成序列；

步骤二、将所有用户一天内的打卡数据组成序列组，序列组内每一条序列为一个用户一天内的序列打卡兴趣点，即该序列组包含区域内各有效用户一天内的打卡序列；

步骤三、将序列组推送给模型进行训练；通过门控循环单元加注意力机制得到一段序列中每一个兴趣点所占影响力向量，将得到的向量输入全连接神经网络拟合，经过管道搜索的方式学习出适应该区域的最优超参数；

步骤四、将训练模型部署在多个服务器中，在一天内按一定频率将实时的用户打卡数据序列组分成多部分传入不同服务器中进行预测，并根据用户ID将预测结果实时传回用户端；

步骤五、记录用户下一打卡地点以及对兴趣点的评分，得到用户反馈数据用于优化模型，通过用户反馈及新用户打卡序列定期更新模型。

2.根据权利 要求1所述的一种影响力感知驱动的连续兴趣点实时推荐方法，其特征在于：步骤一中，从移动应用运营商大数据平台中获取用户打卡历史信息，用户打卡历史信息包括用户ID、打卡地点、打卡时间、打卡经纬度和用户评分。

3.根据权利 要求1所述的一种影响力感知驱动的连续兴趣点实时推荐方法，其特征在于：步骤二中，组成序列组后，对序列组进行清洗，剔除一天打卡次数少的序列。

4.根据权利 要求3所述的一种影响力感知驱动的连续兴趣点实时推荐方法，其特征在于：清洗是将打卡次数少于5次的新用户数据剔除并且剔除少于5次打卡的兴趣点。

5.根据权利 要求1所述的一种影响力感知驱动的连续兴趣点实时推荐方法，其特征在于：步骤三中，模型采用深度学习的方式，并在Tensorflow框架上进行模型训练。

6.根据权利 要求5所述的一种影响力感知驱动的连续兴趣点实时推荐方法，其特征在于：步骤三中，将序列组分为训练集和测试集，将训练集推送给模型进行训练，通过门控循环单元加注意力机制得到一段序列中兴趣点影响力向量，并与用户ID嵌入向量进行拼接；

将得到的向量输入全连接神经网络对模型进行拟合。

7.根据权利 要求6所述的一种影响力感知驱动的连续兴趣点实时推荐方法，其特征在于：对于后续收集的用户数据直接将其分成训练集和测试集，将历史模型当作预训练模型，进行微调操作；将后续数据的训练集直接输入模型，之后对原测试集与现测试集随机抽取，将模型超参数调至最优。