1.一种基于张量分解且顾及上下文语义信息的兴趣点推荐方法，其特征在于，包括以下步骤：

S1：采集用户信息，计算用户社交活跃度 用户签到位置活跃度 和用户签到时间活跃度 并根据用户社交活跃度 用户签到位置活跃度 和用户签到时间活跃度 计算用户活跃度

S2：根据用户信息，计算用户的社交相似度 用户的签到位置相似度和用户的签到时间相似度 并根据用户的社交相似度 用户的签到位置相似度 和用户的签到时间相似度 计算用户相似度S3：根据用户活跃度 和用户相似度 进行用户聚类；

S4：基于用户聚类，根据用户信息，计算签到位置的兴趣点流行度S5：根据用户信息，计算时间槽热度所述步骤S5中，时间槽热度 的计算公式为：其中， 表示在该时间槽签到的用户数，|U|表示用户总数， 表示在该时间槽签到的兴趣点数目，|L|表示兴趣点总数， 表示该时间槽被签到的次数， 表示所有时间槽被签到的总次数；

S6：根据用户社交活跃度 签到位置的兴趣点流行度 和时间槽热度 构建U‑L‑T三维张量；

S7：利用tucker分解U‑L‑T三维张量，得到空缺张量元素的近似值 并生成兴趣点推荐列表Top(u,l,N)，完成兴趣点推荐，其中，N表示推荐兴趣点数。

2.根据权利要求1所述的基于张量分解且顾及上下文语义信息的兴趣点推荐方法，其特征在于，所述步骤S1中，用户社交活跃度 的计算公式为：其中， 表示每个用户的社交好友数量，|U|表示所有用户数量；

用户签到位置活跃度 的计算公式为：其中，lj表示第j个地点， 表示每个用户所签到过的兴趣点的数量大小， 表示在该兴趣点签到的用户数， 表示每个用户所签到过的所有兴趣点的用户总数，表示每个用户所签到过的兴趣点的数量，|L|表示兴趣点总数， 表示每个用户的签到数， 表示该兴趣点被签到的次数， 表示每个用户所签到过的所有兴趣点的总签到数；

用户签到时间活跃度 的计算公式为：其中，tk表示第K个时间槽， 表示每个用户所签到过的时间槽的数量大小， 表示在该时间槽签到的用户数， 表示每个用户所签到过的所有时间槽的用户总数，表示每个用户所签到过的时间槽的数量，|T|表示时间槽总数量， 表示每个用户所签到过的所有时间槽的总签到数；

用户活跃度 的计算公式为：

3.根据权利要求1所述的基于张量分解且顾及上下文语义信息的兴趣点推荐方法，其特征在于，所述步骤S2中，用户的社交相似度 的计算公式为：其中， 表示用户Ui的好友集合， 表示用户Uv的好友集合；

用户的签到位置相似度 的计算方法包括以下子步骤：A21：利用K‑means聚类算法将所有用户兴趣点划分到K个ROI类中；

A22：根据用户访问各个ROI类的次数分布构建位置矩阵ULM×K；

A23：基于位置矩阵ULM×K，计算用户的签到位置相似度用户的签到时间相似度 的计算方法为：根据用户Ui在t个时间槽的签到记录生成用户签到时间矩阵UTM×t，并基于用户签到时间矩阵UTM×t计算用户签到时间的相似性用户签到时间矩阵UTM×t和用户签到时间的相似性 的计算公式分别为：其中，t表示时间槽数，pi,k为用户Ui在时间槽tk的归一化签到次数，M表示用户数，i＝1,

2,…,M，k＝1,2,…,t，UTi表示用户Ui在所有时间槽的归一化签到次数向量，UTv表示用户Uv在所有时间槽的归一化签到次数向量；

所述步骤S2中，用户相似度 的计算公式为：

4.根据权利要求3所述的基于张量分解且顾及上下文语义信息的兴趣点推荐方法，其特征在于，所述步骤A22中，位置矩阵ULM×K的计算公式为：其中，M表示用户数，K表示ROI类簇数，ri,j表示用户Ui访问第j个ROI类的归一化次数，i＝1,2,…,M，j＝1,2,…,K；

所述步骤A23中，用户的签到位置相似度 的计算公式为：其中，ULi表示用户Ui在所有地点的归一化签到次数向量，ULv表示用户Uv在所有地点的归一化签到次数向量。

5.根据权利要求1所述的基于张量分解且顾及上下文语义信息的兴趣点推荐方法，其特征在于，所述步骤S3中，将用户活跃度 最高的C个用户作为聚类中心，并根据C个用户聚类中心和用户相似度 利用K‑means聚类法将每个用户划分至与其相似度最高的活跃用户中，获得C个用户聚类。

6.根据权利要求1所述的基于张量分解且顾及上下文语义信息的兴趣点推荐方法，其特征在于，所述步骤S4中，签到位置的兴趣点流行度 的计算公式为：其中， 表示在该兴趣点签到的用户数，|U|表示用户总数， 表示该兴趣点被签到的次数， 表示所有兴趣点被签到的总次数， 表示在该兴趣点有签到记录的时间槽种类数，|T|表示时间槽种类总数。

7.根据权利要求1所述的基于张量分解且顾及上下文语义信息的兴趣点推荐方法，其特征在于，所述步骤S6中，U‑L‑T三维张量中张量元素值 的计算公式为：其中， 表示归一化后的用户社交活跃度， 表示归一化后签到位置的兴趣点流行度， 表示归一化后的时间槽热度。

8.根据权利要求1所述的基于张量分解且顾及上下文语义信息的兴趣点推荐方法，其特征在于，所述步骤S7中，空缺张量元素的近似值 的计算公式为：兴趣点推荐列表Top(u,l,N)的计算公式为：其中，表示用户纬度的低秩特征矩阵的秩的大小，表示地点纬度的低秩特征矩阵的秩的大小，表示时间纬度的低秩特征矩阵的秩的大小， 表示核心张量， 表示用户维度的低秩特征矩阵的元素值， 表示地点维度的低秩特征矩阵的元素值， 表示时间维度低秩特征矩阵的元素值，t表示时间槽数，N表示推荐兴趣点数，T表示总的时间槽个数。