随着基于位置服务的快速发展,位置信息作为一种潜在资源被大量累积。伴随着互联网快速的更新换代,社交网络已成为用户发布与交流信息的平台。社交网络和基于位置的服务的组合被称为基于位置的社交网络(Location-based social network,LBSN)。在基于位置的社交网络中,用户以签到的形式在社交网络上发布位置信息。社交网络随时随地的签到形式,有效缩小了用户虚拟世界和真实世界的距离,倍受用户的青睐。用户长期的签到行为在社交网络上留下了丰富的历史位置信息,通过收集用户历史签到信息并进行数据挖掘,可以发现用户的行为模式及用户位置的偏爱,进而为用户提供更优质的基于位置的服务,如智能交通,快速交友等。同时,在基于位置的实时广告系统中,通过预测用户的位置,商家可以决定为用户投放哪种广告。本文应用社交网络用户签到的历史数据对用户位置预测问题进行研究。主要研究成果如下:1.分析了用户基于时间的签到规律,举例说明了划分子轨迹的必要性,提出了基于POI(Point-of-Information)嵌入的子轨迹用户相似性度量方法。将社交网络用户的一次签到看作一个单词,将用户子轨迹的签到序列看作句子,通过神经网络模型训练,将POI嵌入表示,表征为实数值向量。进一步通过POI表征子轨迹,然后度量用户子轨迹的相似性。2.针对RNN和LSTM建模用户签到序列存在的问题,采用GRU建模用户签到序列,同时融合时间、地点和用户,提出STU-GRU位置预测模型。在模型嵌入层,改进了时间编码方案。考虑到社交关系对位置预测的影响,重新定义了社交关系,提出在STU-GRU模型的基础上融合社交关系的位置预测方法。同时考虑到用户新颖性探索的可能性,将下一位置看作二分类问题,把神经网络位置预测和融合社交关系的位置预测整合到统一模型中。最后通过实验进行验证,本文方法提高了位置预测精度。