La recomendación del siguiente punto de interés (POI) es una tarea crucial en los servicios personalizados basados en la ubicación, que tiene como objetivo predecir el próximo POI que un usuario podría visitar en función de sus trayectorias históricas. Aunque los modelos de secuencia y las Redes Neuronales de Grafos (GNN) han logrado un éxito significativo, a menudo pasan por alto la diversidad y la dinámica de las preferencias de los usuarios. Para abordar estos problemas, los investigadores han comenzado a emplear Redes Neuronales Convolucionales de Hipergráficos (HGCN) para el aprendizaje de representaciones desenredadas. Sin embargo, dos problemas críticos han recibido menos atención: (1) la capacidad expresiva limitada de las capas de convolución de hipergráficos convencionales, que restringe la modelización de interacciones complejas no lineales de preferencias usuario-POI y, en consecuencia, debilita el rendimiento de generalización, y (2) la utilización inadecuada de mecanismos de aprendizaje contrastivo, que impide capturar completamente señales colaborativas de vista cruzada y limita la explotación de información complementaria de múltiples vistas. Para abordar estos desafíos, proponemos un Aprendizaje Contrastivo de Hipergráficos Desenredados Mejorado No Lineal (NE-DCHL) para la recomendación del próximo POI. El modelo propuesto mejora la capacidad de modelización no lineal y la generalización al integrar activación ReLU, conexiones residuales y regularización por abandono dentro de la capa de convolución de hipergráficos. Se emplea una matriz de adyacencia ponderada basada en K-Vecinos Más Cercanos (KNN) para construir el hipergráfico de vista geográfica, reduciendo la complejidad computacional mientras se mantienen las correlaciones espaciales esenciales. Además, se utilizan una pérdida InfoNCE de mini-lote y el marco GRACE (aprendizaje de representación contrastiva de grafos profundos) para mejorar la eficiencia y la colaboración de vista cruzada. Experimentos extensivos en dos conjuntos de datos del mundo real demuestran que NE-DCHL supera consistentemente al DCHL original y a otros enfoques de vanguardia.