基于位置的社交网络，例如Yelp和TripAdvisor，允许用户与朋友分享有关访问的位置的经验，近年来越来越受欢迎。然而，随着更多地点可用，需要对能够提出个性化建议的准确系统的需求。通过提供此类服务，兴趣点推荐系统吸引了不同社会的许多兴趣，从而引起了改进的方法和技术。深度学习提供了一个令人兴奋的机会，通过利用其他数据更好地了解用户的偏好来进一步增强这些系统。在这项工作中，我们提出了据一世T.一种L.一世C> 基于文本和上下文嵌入的神经推荐器据/italic>（TCENR），一个深入的框架，采用上下文数据，例如用户的社交网络和位置的地理空间数据以及文本评论。为了充分利用这些输入，我们利用多种类型的深神经网络，最适合每种类型的数据。TCENR采用流行的多层情商，分析系统中的历史活动，而使用建议框架的两个变体实现了文本审查的学习。一个是基于卷积神经网络来从文本评论中提取有意义的数据，另一个采用经常性神经网络。我们所提出的网络在Yelp数据集上进行评估，并在准确性，均值平均误差，精度和召回方面占据了多个最先进的基线。此外，我们还提供进一步了解我们推荐系统的设计选择和超参数，希望阐明深入学习基于位置的社交网络推荐的利益。据/p>