随着全球定位系统、移动设备和遥感等多种定位技术的快速发展,基于位置的社交网络（LBSN）日益普及,产生了大量的签到数据。从数据中挖掘有价值的知识对现实世界的应用至关重要。现有方法通常通过对这些签到进行建模,产生密集的兴趣点表征,然后再进行下游数据挖掘任务。然而,这些表征中的坐标没有任何有意义的解释,现阶段关于兴趣点表征的可解释性问题鲜少被学者关注,而这种不可解释性将对于下游数据挖掘任务性能的提升产生不利的影响。针对上述提到的关于兴趣点表征的不可解释问题,在这项工作中,本文提出了三个模型,通过具有语义的类别以使这些兴趣点表征具有可解释性,从而提高下游数据挖掘任务的性能。本文的主要工作包括:1.提出了一个名为“CEM”的类别感知的签到嵌入模型,以生成兴趣点的表征。CEM模型捕获了签到数据中的序列化模式以及兴趣点的语义类别信息,同时生成兴趣点和类别嵌入向量。2.提出了一个名为“XEM”的具有可解释性的兴趣点嵌入模型,通过使用具有语义的类别来解释兴趣点表征的每个维度来使得其表征具有可解释性。具体来说,我们将这些类别作为语义锚,并根据从CEM中学习到的嵌入向量来计算一个兴趣点和这些锚点之间的相似性。然后,将这些相似性分数作为其表征的数值,其中表征的每个维度都对应一个语义锚点（即一个类别）,并且可以被解释为一个连贯且易于理解的主题。3.针对XEM中大量类别造成的高维度和冗余的问题,本文在XEM模型的基础之上,提出了一个名为“XEM-C”的基于类别簇的可解释性模型。该模型通过聚类将所有类别归为群组,并将这些集群作为语义锚,同—类别簇内的类别之间语义相似,不同簇之间的类别语义不同。XEM-C会产生新的兴趣点语义表示,每个维度的值由兴趣点和这些语义锚之间的相似性决定。XEM-C模型将兴趣点表征的每个维度解释为一组语义上相似的类别。本文在两个真实世界的签到数据集上对提出的模型进行了性能验证,包括定性任务和定量任务（兴趣点相似度实验和兴趣点语义注释实验）。实验结果表明,为兴趣点表示引入可解释性可以提高各种下游任务的性能。