随着移动智能装备的发展和互联网的广泛普及,越来越多的人习惯在网络上分享自己的线下消费经历,如景点参观、餐厅就餐等。线上浏览和线下访问相结合,由此产生了大量包含用户、兴趣点、时间、地点等多元上下文的签到数据,如何利用这些签到数据,为用户在合适的时间和地点环境中推荐一些潜在的兴趣点,成为一个亟待解决的问题。然而,用户出于对自己隐私的保护或其他原因,并不是每一次对兴趣点的访问都会在网络上进行签到和分享,从而使得兴趣点的推荐比传统的推荐面临着更加严峻的数据稀疏问题。为此,本文对传统的基于图卷积网络的推荐模型进行改进,并且针对不同的上下文信息,使用了多种方法进行特征提取并将其融入到基于图卷积网络的推荐模型当中。实验结果表明,本模型在用于兴趣点推荐及其他一些类似的推荐场景时,比一些传统的推荐方法和其他的基于图卷积网络的方法的推荐效果有明显提高,适应性也明显增强。最后,基于本文所提出的模型设计并实现了一个兴趣点推荐系统,能够正确且流畅地进行推荐,具有良好的应用价值。本文的主要工作包括:（1）针对传统方法难以充分提取用户对兴趣点的签到数据特征问题,提出了一种利用图卷积网络进行特征提取的模型。该模型采用了多维特征融合的方法,能够适用于非欧氏几何的数据集结构,提高了图卷积模型挖掘图信息的能力;使用了图采样的方法,使模型能够训练大规模二部图;融入了注意力机制,使模型在图卷积过程中对邻居节点有所侧重;同时,通过引入残差神经网络、贝叶斯个性化排序训练、正则化、批处理层等方法,改善了原来模型难收敛的问题,提高了模型的训练速度和收敛效果,使模型收敛效果更加稳定。（2）针对数据集中可能存在的多元的上下文信息,改进了模型提取和利用多元上下文信息提高推荐效果的能力。根据上下文信息类型的不同,使用不同的特征提取方法将他们融入到图卷积网络模型当中去。比如针对上下文数据当中的文本数据,使用了Doc2vec模型提取特征;针对上下文数据当中的时间、年龄等可以分段的数据,使用GMF模型提取特征,充分利用了多元上下文信息来提高图卷积网络模型的推荐效果。（3）基于本文改进的图卷积推荐模型设计并实现了一个兴趣点推荐系统,为每一个用户展示系统根据模型推荐的兴趣点列表,同时匿名收集用户在使用系统过程中与兴趣点的交互记录以及交互过程中产生的各种类型的上下文数据,用于模型的更新与迭代。此外,针对推荐系统的冷启动问题提出了一种解决算法,系统会在用户首次登录系统时为用户推荐一些有代表性的兴趣点,并根据用户的反馈记录和用户的基本信息对他们的特征向量进行初始化,从而对冷启动用户进行较为正确的推荐。最后对系统进行全方位测试,以确保其能够稳定流畅地为用户提供优质的兴趣点推荐。