随着移动设备和Web2.0技术的迅猛发展,基于位置的社交网络（Location-based Social Networks,LBSNs）逐渐在人们的生活中普及。目前主流的社交应用每天都在产生TB级别的时空数据,这些数据通常以签到数据（check-in）的形式记录,基于这些数据,学者们提出了多种类型的位置推荐模型,但其在处理数据稀疏、冷启动等问题时表现不佳,且时间效率与推荐精度低。针对这些问题,本文提出了一种基于图嵌入的兴趣点挖掘方法,将兴趣点辅助信息与兴趣点本身融合,得到兴趣点特征向量,随后将其与基于编码器-解码器框架的位置推荐相融合,最终构建出了位置推荐模型GE-ED。本文的主要工作由以下三点组成:（1）基于图嵌入的兴趣点挖掘。首先从用户历史签到数据中提取出用户移动序列与兴趣点,接着据此构建出兴趣点-兴趣点有向图,随后通过随机游走的策略重组用户移动序列,最后生成兴趣点特征。在上述的兴趣点特征生成模型基础上,通过融入兴趣点辅助信息、引入权重机制,根据不同辅助信息所占权重不同得到了进阶的兴趣点特征生成模型GESI。（2）基于编码器-解码器的位置推荐模型。该任务采用全局编码器捕捉用户长期兴趣偏好,局部编码器挖掘用户短期兴趣偏好,将二者融合可得含义丰富,精准反映用户偏好的用户特征向量。在此基础上,该框架融入了（1）中生成的兴趣点特征向量,二者联合输入解码器中,为该模型产生了较为精准的位置推荐。（3）上述模型的验证。在一个真实的LBSNs数据集Foursquare上对引入了（1）中兴趣点向量的基于编码器-解码器位置推荐模型的精度进行了测试,并在不同的场景下设计了不同的实验方案。实验结果表明,本文的位置推荐模型相比于baseline方法在Accuracy@k上有着较好的表现,在各种实验方案中,本文的位置推荐模型精度、效率综合评价最优。