Con el desarrollo de varias redes sociales basadas en la ubicación (LSBNs), las recomendaciones personalizadas de puntos de interés (POI) se han convertido en un tema de investigación reciente. Los métodos de recomendación actuales tienden a extraer las preferencias de los usuarios de sus registros de check-in históricos pero pasan por alto las desviaciones de interés causadas por entornos geográficos en tiempo real e intereses inmediatos presentes en los registros, sin cumplir con las necesidades en tiempo real y precisas de los usuarios. Por lo tanto, este documento propone un modelo de recomendación basado en preferencias compuestas (CPRM) para recomendaciones personalizadas de POI. Este método primero extrae características contextuales multifactoriales, construye una red de atención de doble capa (DLAN) para capturar preferencias a largo y corto plazo, combina escenarios geográficos en tiempo real para descubrir las preferencias inmediatas del usuario, y luego pondera y fusiona estos tres tipos de preferencias para generar preferencias compuestas del usuario. Finalmente, se emplea una función de predicción para obtener la lista de recomendaciones de Top-N. Los experimentos en dos conjuntos de datos clásicos, Foursquare y Gowalla, confirman la efectividad del modelo presentado en este documento y ofrecen un enfoque novedoso para proporcionar recomendaciones personalizadas de POI a los usuarios.