随着带有GPS的智能移动设备的广泛普及和在线社交网络的快速发展,基于位置的社交媒体应运而生。在这些社交网络上,用户可以通过签到和朋友们共享自己的位置。这些应用持续不断地发掘用户感兴趣的位置(即兴趣点),探索这些兴趣点的语义信息可以帮助运营商推测用户兴趣、预测用户活动,进而提高商品推荐服务的性能,此外,对于个性化路线推荐、用户轨迹聚类等众多城市计算应用也具有十分重要的意义。据统计,签到数据中约30%的兴趣点缺少相应的类别信息,而且已有的类别信息多是人工标注,需要耗费极大的时间和人力成本。针对位置类别预测问题,现有的方法主要将其视为分类问题,这些方法首先根据签到数据的多维属性人工地设计一组特征,比如访问频率、停留时长和签到时间分布,然后利用提取的特征推断兴趣点的类别,常借助支持向量机、逻辑回归等传统的分类器,或求助于神经网络模型,如多层感知机。然而,这些分类器的性能严重依赖于特征选取的方法,而人工地设计特征集合需要一定的专业知识,由于目前还没有成熟的方法可供参考,因而设计特征是一个极其困难又耗费时间的过程,而且在实际中很难确定一组完备的特征。在本文中,我们从一种全新的角度对基于位置的社交网络上的签到数据进行建模,然后根据发现的模式来预测兴趣点的类别标签。受文本挖掘领域中词嵌入模型word2vec的启发,我们提出一种新的位置类别嵌入(Location Category Embedding,LCE)模型,将兴趣点和相关的类别标签映射到相同的低维隐含向量空间中。LCE模型有两方面的优势:(1)为了捕获可能会对用户移动模式产生影响的因素,它考虑了序列模式、个人偏好和时间影响,并进一步地建模兴趣点和这三种因素之间的关联;(2)在隐含向量空间中,它将兴趣点和其类别标签之间的距离最小化,使得每个类别标签对应一个聚簇,这个聚簇由属于该类别的兴趣点组成。在预测阶段,给定一个无类别标签的兴趣点,我们通过向量计算衡量该兴趣点和每个可能的类别标签之间的语义距离,然后选择相距最近的类别标签作为预测结果。为了评测提出的LCE模型,我们在真实的签到数据集上进行了大量的实验,通过比较几种常用的评测指标,证明了 LCE模型在位置类别预测任务中的表现优于现有的基准方法。