随着带有全球卫星导航系统（Global Navigation Satellite System,GNSS）功能的移动设备快速普及,基于位置的社交网络（Location-based Social Network,LBSN）逐步成为日常生活中必不可少的移动应用。在这类应用中,地理位置推荐服务是其中的一个核心功能与研究热点。地理位置推荐是基于用户的历史签到数据和社交信息,发掘兴趣偏好,预测可能访问的地理位置。利用地理位置推荐,可以帮助个人用户在海量位置中精准地获取个性化信息,实体商家可以突破物理空间限制进行精准营销。传统的地理位置推荐研究多是基于协同过滤等传统推荐算法,将地理关系、社会关系和时间因素作为影响因子构建模型。近年来,神经网络在处理信息过载和项目推荐方面被证明是有效的。基于神经网络的推荐模型极大地增强了模型的拟合能力,并且可以利用模型结构模拟不同的用户行为过程。然而,现有的方法还存在以下三个问题:一是不能很好地融合位置社交网络中的社交关系、地理关系和交互关系;二是忽略了社交好友长期和短期兴趣对用户的影响;三是忽略了签到轨迹之间包含的地理位置转换关系。针对上述问题,本文基于位置签到时空数据,从位置社交网络包含的结构特征出发,利用图神经网络和循环神经网络充分提取网络结构特征和信息,将移动用户的位置预测作为主要研究目标,开展了若干研究工作。具体研究工作及成果如下:（1）提出了一个基于多维关系的地理位置推荐模型。该模型充分利用了位置社交网络中丰富的结构信息提高推荐性能,解决了现有模型不能很好地抽取位置社交网络中包含的多种关系网络的问题。位置社交网络包含了用户社交关系、地理位置关系和用户位置交互关系。首先,针对位置社交网络中用户信息,使用图神经网络聚合用户与好友之间的信息,结合用户的高阶交互信息,得到用户的嵌入向量。其次,针对位置社交网络中地理位置信息,构建位置网络并聚合位置之间的信息,结合位置的高阶交互信息,得到位置的嵌入向量。然后,由用户与位置嵌入向量的内积为目标用户推荐可能访问的地理位置。最后,在Gowalla和Yelp两个公开的数据集上,使用基于矩阵分解和神经网络的五种位置推荐算法进行推荐效果比较,分别在召回率和平均精度均值两种评估指标中均有提升,并针对模型的各模块进行消融实验,证明模型的有效性和优越性。（2）提出了一个基于签到轨迹和社交关系的地理位置推荐模型。该模型不仅为用户建立长期与短期兴趣模型,还考虑了社交好友的兴趣对用户的社交影响。首先,针对用户的签到轨迹,构建签到轨迹图,使用基于门控循环单元改进的门控图序列神经网络,学习用户的长期与短期兴趣。其次,针对位置社交网络中好友信息,使用好友的长期与短期兴趣代表好友的嵌入向量,并聚合用户与好友之间的信息,得到目标用户的嵌入向量。再次,基于签到位置之间的距离构建地理位置图,并聚合位置之间的信息,得到位置的嵌入向量。然后,由用户与位置嵌入向量的内积为目标用户推荐可能访问的地理位置。最后,在Gowalla和Brightkite两个公开的数据集上,使用基于矩阵分解和神经网络的六种位置推荐算法进行推荐效果比较,分别在召回率和归一化折扣累计收益两种评估指标中均有提升,并针对模型的各模块进行消融实验,证明模型的有效性和优越性。