1.社交网络的下一个兴趣点的推荐方法，其特征是，包括步骤如下：

步骤1、先从社交网络中采集用户的原始数据，提取原始数据中用户、用户访问的兴趣点、以及用户访问的兴趣点的时间形成用户的一个签到记录，并将每个签到记录进行语义空间映射，得到每个签到记录特征矢量；再将用户的所有签到记录特征矢量组成用户的轨迹特征向量；

步骤2、先构建用户的签到时间差矩阵，该签到时间差矩阵的第i行第j列为用户的第j个签到记录中的用户访问的兴趣点的时间减去用户的第i个签到记录中的用户访问的兴趣点的时间，其中i,j∈[1,n]，n为用户的签到记录的个数；再将用户的签到时间差矩阵进行语义空间映射，得到用户的签到时间差特征矩阵；

步骤3、将用户的轨迹特征向量和用户的签到时间差特征矩阵同时送入到Transformer模型的encoder层，在Transformer模型的encoder层中，利用用户的签到时间差特征矩阵分清用户的轨迹特征向量的各个签到记录特征矢量的先后顺序，并在此基础上捕获用户的轨迹特征向量中每个签到记录特征矢量与其他签到记录特征矢量的关系，得到用户的偏好兴趣点特征矩阵；其中用户的偏好兴趣点特征矩阵由用户的偏好兴趣点特征向量组成，每个用户的偏好兴趣点特征向量包括用户访问该偏好兴趣点的所有签到记录特征矢量；

步骤4、将一天划分为不同的时间窗口，并将用户的偏好兴趣点特征矩阵中的用户的偏好兴趣点特征向量按照其用户访问的该偏好兴趣点的时间划分到对应的时间窗口中，由此得到每个时间窗口所对应的用户的偏好兴趣点特征向量；

步骤5、为每个时间窗口分配一个权重，并基于该权重计算用户的偏好兴趣点状态特征矢量；其中用户的偏好兴趣点状态特征矢量pu为：式中， 表示第t个时间窗口内的用户的偏好兴趣点特征向量，St表示第t个时间窗口内的用户的偏好兴趣点特征向量的个数，wt表示第t个时间窗口的权重，且 T表示时间窗口的个数；

步骤6、先从社交网络的所有兴趣点中选出与用户距离小于设定距离阈值的兴趣点，得到初筛兴趣点集合；再计算初筛兴趣点集合中每个兴趣点的流行度，并从初筛兴趣点集合选出与流行度大于预设流行度阈值的兴趣点，得到候选兴趣点集合；

步骤7、计算候选兴趣点集合中每个兴趣点的评分，并将评分排在前k位的兴趣点推荐给用户；其中k为设定值，每个候选兴趣点的评分 为：式中，pu表示用户的偏好兴趣点状态特征矢量，et表示当前时间点进行语义空间映射所得到的当前时间特征矢量， 表示候选兴趣点进行语义空间映射所得到的候选兴趣点特征T矢量，[·]表示转置。

2.根据权利要求1中所述社交网络的下一个兴趣点的推荐方法，其特征是，步骤4中，根据用户的行为将一天划分为12个时间窗口，并使得每个时间窗口内的签到记录的数量是相同的。

3.根据权利要求1中所述社交网络的下一个兴趣点的推荐方法，其特征是，步骤5中，时间窗口内的用户的偏好兴趣点特征向量的数量越多，该时间窗口所分配的权重越大；时间窗口内的用户的偏好兴趣点特征向量的数量越少，该时间窗口所分配的权重越小。

4.根据权利要求1中所述社交网络的下一个兴趣点的推荐方法，其特征是，步骤6中，兴趣点的流行度等于该兴趣点一天被访问的次数除以所有兴趣点一天被访问的次数。