1.一种基于用户签到稀疏矩阵的深度学习兴趣点推荐方法，其特征在于，包括如下步骤：S101、获取所有用户的历史签到信息，基于所有用户的历史签到信息计算用户签到矩阵；

S102、基于用户签到矩阵计算用户-兴趣点矩阵和兴趣点-用户矩阵；

S103、基于用户-兴趣点矩阵计算预估矩阵M0；

S104、基于预估矩阵M0计算预估矩阵M1；

S105、基于兴趣点-用户矩阵计算预估矩阵M2；

S106、基于签到矩阵计算预估矩阵Mn；

S107、基于公式Mpre＝M0+M1+M2T+Mn计算用户-兴趣点偏好值矩阵Mpre；

S108、基于偏好值矩阵Mpre生成推荐信息。

2.如权利要求1所述的基于用户签到稀疏矩阵的深度学习兴趣点推荐方法，其特征在于，S103包括如下步骤：基于能量公式 计算联合概率

式中，v为神经元显层，h为神经元隐层，b和a分别是显层偏置向量和隐层偏置向量，w为参数权重，e为自然指数， i为第i个显层神经元，j为第j个隐层神经元；

基于联合概率计算用户关于兴趣点的分布函数基于分布函数P(v)计算其最大值对应参数；

基于分布函数P(v)的最大值对应参数计算预估矩阵M0。

3.如权利要求1所述的基于用户签到稀疏矩阵的深度学习兴趣点推荐方法，其特征在于，S106包括如下步骤：基于公式Mn≈Umk×Ikn计算预估矩阵Mn，式中Umk为用户矩阵，梯度更新公式为Ikn为地点矩阵，梯度更新公式为

4.如权利要求1所述的基于用户签到稀疏矩阵的深度学习兴趣点推荐方法，其特征在于，S108包括如下步骤：按照所述偏好值矩阵Mpre分值由高到低的顺序选取预设个数的所述推荐地点；

按照高到低的顺序基于选取的推荐地点生成推荐列表。