近年来,物联网（Internet of Things,Io T）技术的快速发展和在线社交媒体的兴起促进了地理位置社交网络（Location Based Socail Networks,LBSNs）的繁荣。基于位置的影响力最大化问题受到广泛关注,该问题旨在从LBSN中寻找最具影响力的种子用户,从而推动目标地点吸引更多的访问者。该问题在许多重要的Io T场景中得到了应用,如病毒式营销、广告部署等。然而,现有研究大多只使用固定的位置表示用户,忽略了用户丰富的动态签到记录中蕴含的有价值信息,未能对用户的地理位置偏好进行有效刻画。其次,现实网络往往具有大规模特点,如何高效求解问题也是一个巨大挑战。针对上述问题,本文从以下两方面开展研究:首先,本文提出了一种用于提取用户偏好的表示学习模型All2Vec。All2Vec是在POI2Vec模型的基础上改进的模型。由于POI2Vec模型仅考虑了用户与当前签到地点的地理位置关系,所得到的用户偏好缺乏准确性和全面性。相比之下,All2Vec模型联合建模了用户和签入位置,考虑了用户和每个签入位置之间的交互。All2Vec模型不仅融合了签到地点之间的时序关系和地理空间影响,最后综合了距离和用户行为偏好因素计算了用户的偏好权重。实验表明,All2Vec模型所获得的用户偏好在用户签到行为预测上的表现明显优于POI2Vec模型。其次,本文将表示学习与影响力最大化问题结合,给出了位置推广影响力最大化问题定义。通过对该问题的理论分析,证明了该问题具有次模特性和单调性等理论性质,并进一步给出了基于反向影响采样（Reverse Influence Sampling,RIS）的问题求解算法——IM2Vec,该算法可以返回一个（1-1?0）-)的近似解。此外,本文在原有算法基础上,利用用户偏好权重确定了OPT的渐进下界,大幅减少采样个数,进一步优化算法效率。通过蒙特卡洛仿真实验表明,IM2Vec在解的质量和算法效率两方面明显优于其他对比算法。在解的质量方面,IM2Vec算法在所有实验中都取得最高的Influence Spread值。在效率方面,IM2Vec算法的运行时间远小于其他算法,且随着种子集规模的增加,IM2Vec算法的效率优势更加明显。综上,本文的主要贡献在于:针对位置推广的影响力最大化问题,将其与最新的表示学习方法结合,提出了一种具有通用性的模型框架。该框架通过对用户行为、位置序列和距离因素联合建模,能更好地捕捉用户行为偏好。此外,通过对RIS算法改进,进一步减少采样个数,提高了算法求解效率。本文的工作提高了传统影响力最大化方法的实用性,具有较好的理论和应用价值。