1.一种基于神经网络和地理影响的兴趣点推荐方法，其特征在于，包括如下步骤：S101：获取用户的历史签到数据，每条签到数据由用户ID、位置ID、时间戳、位置经纬度构成；

S102：分别以双通道的神经网络的形式，对用户向量ui和位置向量lj进行降维，最终使得用户和位置处于同一维度的向量空间；

S103：将降维后的用户向量xi和位置向量yj传入联合神经网络计算zij同时结合它们内积的结果，得到联合神经网络的预测输出Unionij，该联合神经网络的预测输出Unionij为用户对位置的潜在偏好；

所述联合神经网络通式如公式(2.3)：

所述联合神经网络一共具有M层，第一层为输入层，x和y分别为输入向量，wk和bk分别是第k层的权重系数和偏置系数，k＝2，3，...M；

包括如下步骤：

1)将两个降维向量降维后的用户向量xi和降维后的位置向量yj进行拼接，即然后基于神经网络通用公式Layk＝f(wkLayk‑1+bk)，k＝2，3，...M传入具有M层的联合神经网络；

其中，Layk是第k层神经网络；

所述联合神经网络的激活函数f采用的是sigmoid函数；该联合神经网络得到的联合值zij如公式(2.1)：其中，Z代表的是联合神经网络的标识符，和分别为是联合神经网络中第t层的权重系数和偏置系数，t＝2，3，...M；

2)将联合值与内积值基于公式(2.2)求平均得到最终输出Unionij；

S104：基于均方损失函数，采用梯度下降算法，对所有的神经网络层进行训练并不断更新未知参数；

包括如下步骤：所述均方损失函数如公式(3.1)：

其中，R‑是随机负采样的结果，即用户未曾访问过的位置，R+为已经存在的正例，即用户已经访问过的位置，B是训练过程中设置的样本数量，Rij为用户i在位置j上的真实访问值；

S105：基于全体签到数据中的每相邻两点之间的地理距离，采用幂律分布来模拟用户访问下一个位置的距离可能性Pro(lj|Lu)，并根据Pro(lj|Lu)的大小进行排序，产生长度为K的推荐列表，以此生成推荐列表Recu输出；

包括如下步骤：a)定义距离的幂律分布概率为公式(4.1)：Pro(lj|lp)＝a×(dis(lj，lp))b (4.1)；

其中，lj和lp为用户真实的签到数据集中相邻的两个签到位置，a和b分别为幂律分布的参数；

为求解未知参数，将其转化为线性模型参见公式(4.2)：log  Pro＝log  a+b  log  dis(lj，lp)  (4.2)；

公式(4.2)可转化表示为公式(4.3)：

δ(C，ω)＝a′+b  logω  (4.3)；

其中，ω是参数集合，a′是log  a，C代表dis(lj，lp)；

b)基于目标函数(4.4)采用梯度下降的方式对参数进行更新，D是使用的真实数据集，t(C)是根据D导出的真实距离概率的Log值，t(C)＝Pro(lj|Lu)：其中，控制正则项的权重。2.如权利要求1所述的基于神经网络和地理影响的兴趣点推荐方法，其特征在于，还包括S106：将地理距离的影响融合到用户对位置的偏好预测中，计算用户访问位置的最终分数根据的大小进行排序，产生长度为K的推荐列表，以此生成推荐列表Rec′u输出。

3.如权利要求1或2所述的基于神经网络和地理影响的兴趣点推荐方法，其特征在于，所述S102对用户向量ui和位置向量lj进行降维的方法为：基于神经网络通用公式(1.1)和通用公式(1.2)搭建具有N层的降维神经网络：Lay1＝uior  lj  (1.1)Layk＝f(wkLayk‑1+bk)，k＝2，3，...N  (1.2)其中，Layk是第k层神经网络，wk是第k层的权重系数，bk是第k层的偏置系数；

该降维神经网络的激活函数f采用的是sigmoid函数经过降维后，用户向量和位置向量分别是

和U和L作为标识符来区分面向用户的降维网络和面向位置的降维网络，和指的是用户降维网络中第t层的权重系数和偏置系数，t＝2，3，...N，和指的是位置降维网络中第t层的权重系数和偏置系数t＝2，3，...N。

4.如权利要求2所述的基于神经网络和地理影响的兴趣点推荐方法，其特征在于，所述S106将地理距离的影响融合到用户对位置的偏好预测中的方法为：基于公式(5.1)将地理影响融入到神经网络的结果中去，以计算最终的预测值；

其中，α是权重系数，α∈[0，1]。