近年来,随着定位技术的迅速发展,Foursquare等基于位置的社交网络吸引了越来越多的用户并积累了海量签到数据。用户在社交网络中分享的位置、时间等签到信息,不仅展现出用户的个性化偏好和生活模式,同时也为个性化POI推荐的研究奠定了坚实的基础。POI推荐通过挖掘社交网络中的签到数据,能够帮助用户快速找到满意的POI服务。一方面,对于单个POI,人们在现实生活中更关心的是在POI消费什么样的Item。例如,在咖啡馆点提拉米苏还是奶油馅卷。这就需要一个更加细粒度的POI推荐模型。另一方面,随着旅游业的大规模发展和旅游信息的爆炸式增长,针对多个POI的行程规划问题已成为POI推荐领域的研究热点。基于上述分析,本文首先对细粒度POI推荐进行研究。现有的POI推荐方法侧重捕捉用户对POI的整体偏好,未能细粒度地建模用户在POI中对Item的偏好,这限制了模型在实际场景下的有效性。为此,本文结合情感分析技术实现POI粒度和Item粒度的联合建模,同时为用户推荐特定的POI和其中他最感兴趣的Item。具体来说,本文分别提出了一个基于二分图嵌入的细粒度POI推荐模型和基于异质网络嵌入的细粒度POI推荐模型。这两个模型利用多种图结构（如二分图、异质信息网络）分别建模细粒度POI推荐的决策过程,并设计了相应的图嵌入算法学习多种影响因素。此外,为了进一步建模用户对多个POI的行为偏好,本文对行程规划问题进行研究,提出了一个基于图嵌入对抗网络的POI行程推荐模型。该模型利用序列生成式对抗网络和图神经网络的互补优势,为用户规划出合理并符合用户兴趣的POI行程。本文分别在Yelp 2017签到数据集和YFCC100M影像数据集上对细粒度POI推荐和行程推荐任务进行实验验证,相关实验对比了目前最先进的推荐模型。结果表明,无论是在细粒度的POI推荐任务上,还是在行程推荐任务上,本文提出的推荐模型在精度方面均优于之前的推荐方法。