El rápido aumento en el número de sensores en el entorno de Internet de las cosas (IoT) ha resultado en la generación continua de datos masivos y ricos en Redes Sociales Basadas en la Localización (LBSN). En LBSN, la recomendación del próximo punto de interés (POI) se ha convertido en una tarea importante, que proporciona la mejor recomendación de POI de acuerdo con las secuencias recientes de check-in del usuario. Sin embargo, todos los métodos existentes para la recomendación del próximo POI solo se centran en modelar la correlación entre POIs basada en las secuencias de check-in de los usuarios, pero ignoran el hecho significativo de que la recomendación del próximo POI es una tarea de recomendación sutil en el tiempo. Teniendo en cuenta que el mecanismo de atención no considera de manera integral la influencia de las secuencias de trayectoria del usuario, la información temporal, las relaciones sociales y la información geográfica del Punto de Interés (POI) en el campo de recomendación del próximo POI, se propone un modelo de Red de Atención Jerárquica Consciente Geográfico-Temporal-Social de Contexto (CGTS-HAN). El modelo extrae información de contexto de las secuencias de trayectoria del usuario y diseña una red de atención Geográfico-Temporal-Social y una red de atención común para aprender las preferencias dinámicas del usuario. En particular, se utiliza un modelo LSTM bidireccional para capturar la influencia temporal entre POIs en la trayectoria de check-in de un usuario. Además, en la capa de interacción de contexto, se introduce una red neuronal feedforward para capturar la interacción entre los usuarios y la información de contexto, que puede conectar múltiples factores de contexto con los usuarios. Luego se agrega una capa incrustada después de la capa de interacción, y se establecen tres tipos de vectores para cada POI para representar su tendencia de registro con el fin de resolver el problema de heterogeneidad entre los factores de contexto. Finalmente, reconstruye la función objetivo y aprende los parámetros del modelo a través de un algoritmo de muestreo negativo. Los resultados experimentales en conjuntos de datos reales de Foursquare y Yelp muestran que el AUC, la precisión y la recuperación de CGTS-HAN son mejores que los modelos de comparación, lo que demuestra la efectividad y superioridad de CGTS-HAN.