步入21世纪以来,随着人们对移动智能设备的依赖程度逐渐提升以及人工智能系列技术的普及,互联网相关产品的使用已经深入人心,同时也不断地提升人类社会的生活水平以及服务质量。伴随着智能导航系统、智能化手机等高端移动设备的普及以及全球性定位系统（GPS,Global Positional System）的发展,人们所在的地理位置的曝光和发布成为可能,用户可以选择性地让APP采集自己的位置并予以发布。基于上述技术的发展,基于位置信息的社交网络平台（LBSNs,Location based social network）得以出现并且迅猛发展。此类平台的发展吸引了大量使用者注册并日常使用,人们可以通过该平台给好友或者公开分享自己所在的实时位置,以达到分享美食、日常以及好物好店的社交目的。与所有在线服务平台类似,由于用户在平台建立的联系越多,用户对该平台的参与度以及粘性会有所增加,那么更有利于平台推出自己的收费项目或者广告推广,因此LBSN平台也会从连接推荐、用户聚类等个性化服务或者推荐中收益。同时,如果此类平台能够通过将轨迹位置数据添加到挖掘建模中,起到提升服务的准确率和有效性的效果,也能够给用户带来优质的体验,给人们的生活带来便利性和舒适性。随着这类平台的发展以及用户对服务精度的要求逐渐提升,如何使用位置这一新视角辅助现有的服务提升效果和精度成为问题。传统的社交网络分析方法在分析处理网络数据以产生推荐结果的过程中通常会忽略位置信息。研究通过位置与社交关系的相关研究以及实证分析,结果显示节点之间的关系以及社交行为的发展与地理位置以及移动性有很强的相关性,考虑用户移动性和社交关系之间的影响可以提高友谊预测、用户聚类等服务的性能。先前相关研究分为两方面:一方面现有涉及到位置信息分析的工作大多采用人工特征工程进行特征提取,不仅需要专业的人力投入,且具有主观性以及繁杂性;另一方面,目前的图嵌入方法大多是针对经典图开发,不能够适应LBSN这种数据结构,同时没有从用户的偏好角度出发,考虑用户线下移动的潜在动机并有选择地自动聚合重要的位置信息。由此,本文首创性地提出了一种基于深度学习和图神经网络技术的位置感知图嵌入方法,该方法能够捕捉到用户去往POI的潜在动机并使用多层注意力机制选择性地聚合重要的位置信息到用户节点表示中,同时还能够聚合在线社交关系的信息,充分地利用了LBSN数据学习节点表示,以便更好地服务于下游任务。在本文中构建基于深度学习的位置感知图嵌入学习模型,以LBSN为载体,结合深度学习图嵌入技术,通过对用户、POI特征进行合理映射,构建多层注意力机制,以获取能够捕获到位置信息（包括潜在的用户动机等信息）的用户嵌入向量,使得其能够更好地用于下游任务。具体来说,本文的模型有以下两个组成部分,分别是聚合社交网络关系信息的用户节点嵌入部分以及聚合多动机驱动的POI信息的用户节点嵌入部分。本文通过分别构建两张图,即用户-POI二部图（user-poi bipar graph）以及用户社交网络图（social network）,分别将这两张图作为输入,并行进行两个网络的信息编码以及聚合,接着利用信息融合技术将两个组成部分得到的用户节点表示进行融合,使用损失函数对整个网络进行训练迭代,直至模型收敛。特别地,在位置信息聚合网络中,本文首先对用户动机进行映射分解,随后使用双层注意力技术,用于提取用户的潜在动机以及POI位置的重要性信息,得到聚合了动机驱动的位置信息的用户编码。最后,文章在真实的LBSN平台的两个城市数据集上进行实验,将社交网络的传统手工指标以及经典且先进的图表示算法作为基准,进行了大量对比试验。除此之外,本文还通过敏感度实验以及消融实验来探讨模型的鲁棒性和有效性。实验结果表明,本文的算法能够有效提取节点信息,并且较好地作用于下游任务。