随着在线社交网络平台的迅速发展,产生了大量的非结构化数据,例如:用户发布的文本内容、参与讨论的话题标签以及用户之间的相互关注和互动等。虽然定位设备的普及使得位置信息很容易获取,但此类敏感数据仅限于特定的社交平台,因此,如何通过用户产生的内容和行为特征来推断用户住址的地理位置成为了人们关注的重点。用户地理位置的确定已成为许多下游应用提供服务的关键,比如:基于位置的定向广告、当地事件/地点的推荐、遵循区域政策的受限内容分发等等。现有一些方法可以解决用户地理位置定位问题,其中绝大部分都是通过某种分割算法将用户划分至不同的区域,区域编号则为用户标签,这样,用户地理位置定位问题便转换为一个分类问题。尽管先前的工作取得了可喜的性能,但依然存在如下四个问题:第一,先前的方法将用户文本内容嵌入为固定表示,无法捕获用户文本内容的风格;第二,对于文本和网络中包含的嘈杂信息,做不到有效的处理和过滤;第三,在社交网络特征学习方面,现有的模型没有充分利用用户的拓扑结构,缺乏对孤立和无标签节点特征的挖掘,并且无法识别并利用人群的属性特征;第四,模型缺乏可解释性,尤其是基于神经网络的模型,无法对影响模型定位性能的关键因素进行分析。本文提出了基于多方面注意力图神经网络模型（MAGNN）和基于分层图神经网络模型（HGNN）来解决上述问题。MAGNN将文本内容和交互网络统一起来以进行端到端（end-to-end）的用户地理位置预测,根据具体任务动态地学习文本内容和网络特征的嵌入表示。注意力机制的应用使模型具有从多个数据源捕获多方面信息的能力,有效捕获文本内容风格,并可以使模型区分内容和节点的重要性程度,以此来解决内容和网络结构中干扰信息过多的问题。HGNN是一种可融合多方面数据的具有位置感知的定位方法,它结合了用户的地理位置信息和区域中聚集人群的属性,可以在保留节点和区域的相对位置的同时捕获拓扑关系。HGNN通过使用分层图学习对区域的结构和特征进行编码,有效缓解了嘈杂和不稳定信号的融合问题,充分利用并挖掘了用户拓扑结构特征。此外,HGNN中设计了一种关联机制,用于桥接各个用户和区域之间的连接,达到了对孤立节点信息聚合的目的,而且还捕获了未标记节点和标记子图之间的关系。最后引入了影响力函数,通过在预测用户位置时识别数据样本的重要性来解释模型的行为。该方法提供了对于模型行为和预测结果的有意义的解释,克服了以前视作“黑盒”的定位模型缺乏可解释性的弊端。本文在三个真实的Twitter数据集上对模型进行了综合评估,实验结果验证了与现有的基准方法相比,MAGNN和HGNN模型性能优越,并进行了可解释性分析,这将有助于读者和模型设计者更好地理解用户地理位置预测问题。