兴趣点推荐是数据挖掘领域中的热门话题,受到了工业界与学术界的持续关注,其旨在通过对海量数据的挖掘,提取有效信息,作出准确判断,最后针对目标用户提供满意推荐。常用的传统推荐算法如协同过滤、矩阵分解等被运用至该领域,但这些方法依赖人工进行特征筛选,导致提取的特征信息不充分,同时在基于位置的社交网络上,用户的交互数据十分稀疏,此场景下传统方法的推荐效果有限。基于此,本文借助图神经网络的强大建模优势,围绕兴趣点特有的时空及属性信息进行推荐研究。主要内容如下:（1）针对传统推荐方法在稀疏签到数据集上特征向量表示能力不足的问题,本文提出了基于图神经网络的一般兴趣点推荐模型。该方法利用图卷积操作来建模用户——兴趣点交互的高阶联系,进一步地利用用户间的签到行为相似性质,将相似邻居用户的嵌入表示融入到目标用户中,以丰富图网络中节点的嵌入表示。同时利用多层感知机捕捉用户和兴趣点之间复杂的非线性交互关系,最终提升模型的推荐效果。（2）针对用户的签到行为存在区域聚集及区域偏好的特性,本文提出了基于地理分层偏好的下一个兴趣点推荐模型。该方法首先利用四叉树将地理区域进行分层划分来探索用户在不同区域粒度上的转移偏好,并利用图神经网络来捕获区域——区域之间与兴趣点——兴趣点之间的潜在联系,最终动态地融合用户偏好,以捕捉用户选择下一个兴趣点时的多样因素。（3）针对兴趣点的类别存在丰富的语义信息,且同类别的兴趣点也存在不同关系的问题,本文提出了基于类别关系的下一个兴趣点推荐模型。该方法引入图神经网络对存在于兴趣点之间的竞争/合作关系进行建模,并利用自注意力机制建模用户的长期偏好,在动态融合用户长短期偏好后进行下一个兴趣点推荐。本文在多个真实数据集上对所提方法进行实验,并与相关方法进行对比,实验结果表明了本文所提模型的有效性与先进性。