移动互联网的飞速发展催生了一系列位置服务平台,这些平台以海量的用户行为数据为基础,通过数据挖掘等手段,为用户提供智能的生活服务与建议,在此之中,个性化POI推荐扮演了重要的角色,为人们的生活提供了极大的便利。POI推荐是当下热门的研究方向,吸引了大量研究者的关注。现有的研究工作们以用户的历史签到数据为基础,设计矩阵分解、深度神经网络或循环神经网络等模型,对用户的兴趣进行建模,进而展开个性化推荐。然而这些模型大多存在着用户兴趣建模不完备、时空特性不显著等缺陷,无法对用户进行精准推荐。因此,本文经过对POI推荐场景的深入思考,提出了对用户兴趣的三类建模方向:个人行为偏好、时间因素和空间因素,并据此展开了POI推荐模型的研究。模型设计方面,本文以近年来发展迅速的图神经网络为主,创新性地采用了分治的思想,从多源图的角度出发,对用户的三类兴趣进行深度建模。具体而言,首先根据用户的签到行为数据构建三类多源结构图:行为转移图、时间关联图和空间关联图,接着在此基础上提出时空偏好图注意力推荐模型（Stp GAT）,最后进行端到端的训练与预测,实现个性化的POI推荐。其中,Stp GAT主要利用多层图神经网络发掘用户和POI节点在图中信息传递时的高阶连通性,并利用注意力机制聚焦周围节点对中心节点的针对性聚合过程。同时,Stp GAT引入了基于多任务学习的信息融合手段,有效实现了用户行为偏好、时间和空间三类兴趣因素的有机融合。实验验证方面,本文选取了规模由小到大的三个真实世界POI推荐数据集（每个数据集中包含了大量不同用户的历史签到行为记录）,详细进行了Stp GAT与经典的推荐模型和当下性能最好的模型之间的对比实验,从各个指标方面证明Stp GAT均具有最优的性能。此外,本文对Stp GAT的各个部件进行了消融实验,证实了每个部件设计的有效性。最后,从某个具体用户的行为记录出发,探索性地设计了基于多源图结构的POI推荐可解释性量化实验,从用户行为、时间和空间三方面证实了本文提出的Stp GAT模型在POI推荐领域的实用性。