En los últimos años, las redes sociales basadas en la ubicación (LBSNs) que permiten a los miembros compartir su ubicación y proporcionar servicios relacionados, y las recomendaciones de puntos de interés (POIs) que sugieren lugares atractivos para visitar, se han vuelto notables y útiles para los usuarios, áreas de investigación, industrias y empresas publicitarias. El sistema de recomendación de POI combina diferentes fuentes de información y plantea numerosos desafíos e interrogantes de investigación. La nueva investigación en este campo utiliza técnicas de aprendizaje profundo como solución a los problemas, ya que tiene la capacidad de representar la relación no lineal entre usuarios e ítems de manera más efectiva que otros métodos. A pesar de todas las mejoras evidentes que se han realizado recientemente, este campo aún no cuenta con una visión actualizada e integrada de los tipos de métodos, sus limitaciones, características y perspectivas futuras. Este artículo proporciona una revisión sistemática centrada en la investigación reciente sobre este tema. Primero, este enfoque prepara una visión general de los tipos de métodos de recomendación, sus desafíos y los diversos factores influyentes que pueden mejorar el rendimiento del modelo en las recomendaciones de POI, luego revisa los métodos tradicionales de aprendizaje automático y las técnicas de aprendizaje profundo empleadas en la recomendación de POI y analiza sus fortalezas y debilidades. Los modelos propuestos recientemente se categorizan según el método utilizado, el conjunto de datos y las métricas de evaluación. Se encontró que estos artículos dan prioridad a la precisión en comparación con otras dimensiones de calidad. Finalmente, este enfoque presenta las tendencias de investigación y las orientaciones futuras, y se da cuenta de que los sistemas de recomendación de POI basados en el aprendizaje profundo son un trabajo futuro prometedor.