近年来移动定位技术日渐完善,智能手机、手环等移动终端愈发流行,为位置社交网络快速发展提供了必要条件,从而为现实物理世界与虚拟互联网世界的连接开辟了道路。在此基础上,现实生活中基于位置社交网络的服务也日渐丰富,例如Foursquare、Yelp和美团等。兴趣点推荐一方面可以为用户推荐一些感兴趣的地点,丰富用户的生活体验;另一方面可以为商家带来更为丰厚的经济效益,因此成为了工业界和学术界的研究热点。兴趣点推荐为用户提供个性化服务,近几年已有许多专家和学者进行了大量研究。然而,大多数现有兴趣点推荐算法还存在以下问题:现有兴趣点推荐算法依赖用户与兴趣点交互产生的反馈信息,通过挖掘用户签到时间特征、签到地理位置特征为用户进行兴趣点推荐,忽略了用户签到记录的顺序影响,没有考虑签到位置之间的相关性。在实际应用中,用户之间的显式社交信息（用户之间明确的信任关系）非常稀疏,而多数基于社会影响的推荐系统性能有限,究其原因在于并没有合理利用用户隐式社会信息（不同用户签到相同兴趣点）。本文针对上述问题,研究了两种解决方法。具体的工作内容包括:（1）提出CG-SAGCN模型建模基于地理协同偏好的兴趣点推荐模型。该方法通过图神经网络学习兴趣点之间的内在联系,并利用GRU网络建模用户历史签到记录中的顺序影响,结合注意力机制学习不同签到位置的影响,为用户推荐下一个可能感兴趣的签到位置。（2）提出DSAGN模型建模用户签到记录的顺序影响和社会影响。挖掘每个用户签到记录之间的时间特征、地理位置特征,通过分析每个用户和其朋友之间的行为相关性建模社会影响,利用自注意力机制模拟签到记录的顺序影响,挖掘用户和其朋友签到之间的全局依赖性,为用户推荐其下一次签到位置。通过在真实数据集上与多个方法进行对比,实验结果显示,本文提出的方法在多个评估指标上具有更好的推荐效果。