在线社交网络如今已经成为人们沟通交流的主要途径,改变了人们的生活方式,随之产生的大量用户行为数据也为识别用户偏好,提高个性化推荐效果提供了资源。基于位置的社交网络进一步将用户的线上互动行为拓展到线下世界,聚集了大量的用户时空信息,这些多元异质数据多层次、多角度的反映了用户互动关系特征和时空移动规律,一方面为推动构建更加精准有效的推荐系统带来了机遇,另一方面,也使推荐方法在如何从海量且稀疏的数据中识别有效特征,如何实现多元数据的整合等问题上面临更大的挑战。基于用户社交关系和移动轨迹信息,研究融合多元异质数据的个性化推荐问题,不仅在理解用户行为和提高个性化推荐算法的效果方面具有理论价值,同时对于指导企业提高服务水平,拓展平台业务具有重要实践意义。本文以基于位置的社交网络（Location-Based Social Networks,LBSNs）为背景,通过对用户在线社交关系、线下位置互动行为以及移动规律性进行分析,研究融合用户社交数据和轨迹数据的个性化推荐问题。针对不同的推荐任务,从用户多维数据中提取有效特征,构建图神经网络模型在区分不同特征影响水平的条件下实现信息整合,从而提高推荐效果。具体来说,本文的主要研究及创新点包括:（1）LBSNs中考虑用户轨迹的好友推荐。为了识别和提取用户轨迹中表现出的相似度特征,实现对轨迹信息和社交信息的有效整合,本文第三章提出了基于双子图的图神经网络模型,用于基于位置的社交网络中的好友关系预测。该模型首先根据位置在轨迹中的共现关系,在考虑位置流行度的条件下采用基于熵的随机游走方法构建高阶位置图,每对用户的轨迹可以表示为位置图中的子图,在此基础上利用基于子图的图神经网络学习用户移动模式相似度表征。同时,用户对的社交亲密度特征可以通过基于社交网络子图的图神经网络模型进行学习。最后通过门控层实现社交亲密度特征与移动模式相似度特征的自适应融合,进行用户之间的关系预测。在真实数据Foursquare上的实验结果表明,该模型能有效识别轨迹中反映出的不同用户在物理世界中的相似性,同时实现社交信息和轨迹信息的有效融合。（2）LBSNs中考虑用户轨迹的位置推荐。轨迹信息反映了用户签到行为的时空规律性,位置语义代表了用户的活动主题,好友之间的位置偏好相似性信息能在一定程度上缓解用户签到数据稀疏带来的负面影响。为了对多种情境信息进行细粒度分析和有效整合,本文第四章提出了一种基于多种情境特征的下一位置推荐模型。在轨迹分析方面,模型通过对历史轨迹之间的时空相关性进行学习,识别出与当前时刻最相关的轨迹序列来推断用户当前偏好。同时,通过分析好友轨迹与目标用户轨迹的相似性,筛选出偏好一致性较高的好友信息来提高目标用户的偏好预测效果。在位置方面,通过分析位置之间的序列关系与语义关系,捕捉位置多重相关性,提高用户短期偏好建模效果。最后通过聚合多重情境信息实现对用户偏好的建模。在三个真实数据集上的实验结果表明,与其他方法相比,该模型能有效提高下一位置推荐效果。（3）LBSNs中考虑用户轨迹的旅伴推荐。随着社交网络中互动内容的日益丰富,产生了新的交友形式,用户通过在平台上发布出行计划,寻找能结伴同行的用户,在线结伴行为变得越来越普遍。面对这种新的推荐场景,本文第五章提出了一种两阶段推荐模型来解决旅伴推荐问题,即为目标用户推荐对其出行目的地感兴趣,且具有较高结伴倾向的用户。该模型先根据用户轨迹信息识别不同用户对于目的地的偏好程度,得到用户的偏好表征,然后利用结伴率、探索欲两个指标从用户个人特质的角度分析不同用户的结伴倾向,最后利用基于子图的神经网络框架整合用户偏好、个人特质以及社交亲密度特征进行旅伴的筛选与推荐。实验结果表明,模型能有效地对用户之间的社交亲密度、结伴倾向、偏好一致性进行分析,实现高效的旅伴推荐。本文针对基于位置的社交网络中的不同推荐场景,分析社交数据及轨迹数据在任务中的作用,构建基于图神经网络的模型对不同特征进行识别、提取、整合,以提高个性化推荐的效果。本文的研究丰富了社交网络用户行为分析与特征挖掘的研究,为解决融合异质数据的个性化推荐问题提供了新的思路,为社交平台和企业基于用户行为识别用户偏好,从而拓展平台业务以促进企业发展提供了借鉴。