基于位置社交网络（Location-based social network,LBSNs）服务中,用户可以通过在线平台轻松地在物理世界中共享其地理空间位置和与位置相关的内容,但如何挖掘LBSNs中的结构和行为等丰富且复杂的信息实现有效的位置相关推荐服务仍然面临挑战。协同过滤假设相似的用户对同一项目的行为相似,以此为依据来实现个性化推荐。基于协同过滤的位置推荐系统通常假设用户和位置的交互事件是独立的,然而,在现实社会中,用户和位置之间存在多种关联,这种假设并不成立。如何利用这些关联信息提升推荐性能是一个关键挑战。近年来,图神经网络发展迅速,其主要思想是如何使用神经网络挖掘关联图数据,从而能够自然整合节点信息和拓扑结构,这为推荐技术提供了新途径。本文针对LBSNs中的多种异构数据处理的需要,引入图神经网络,研究利用图神经网络的优势达到提升位置相关服务推荐效果。本文主要研究工作包括如下内容。1)针对如何有效融合位置多种特征的问题,提出了一种基于矩阵分解的位置推荐方法。具体工作为,首先基于LBSNs中的位置的四个不同特征分别构造了共同访问矩阵、地理邻近矩阵、类别相关矩阵和访问时间矩阵。然后,通过矩阵分解方法将其转换为潜在向量表示。最后将得到的这些向量连接起来,得到位置的特征向量表示。通过在数据集上进行的充分实验,证实了该方案将这四种特征信息有效融合进位置建模过程中,对提高推荐质量和缓解数据稀疏有正面作用。2)针对如何有效融合用户社交信息的问题,提出了一种基于图神经网络的方法。具体工作为,根据LBSNs中的数据构建用户-用户图和用户-位置图,在用户建模过程中分别使用图神经网络获得对应空间的用户潜在因子,并将它们连接以获得最终的用户向量表示。在上述工作的基础上,本文提出了一种基于LBSNs的位置推荐图神经网络模型——POIR-GNN,POIR-GNN一方面基于位置的不同特征构造特征矩阵,通过矩阵分解获得隐藏因子,将多种特征融入位置的特征向量,学习它们对用户行为的共同影响;另一方面,和现有的大多数研究方法不同的是,模型使用了图神经网络通过利用社交关系构建的用户-用户图对用户进行建模,并结合用户-位置图共同获取用户特征向量;最终实现了融合了用户社交关系和位置的多种特征的推荐模型。通过在数据集上进行的充分实验,证实了该模型能够提供更高质量的基于LBSNs的位置推荐结果,且能缓解数据稀疏问题。