随着智能移动设备的快速普及以及基于位置社交网络服务(Location-based Social Networking Services,LBSNs)的快速发展,基于 check-in 数据挖掘的 POI(Point of Interest)推荐成为帮助用户发现新场所和探索不熟悉区域的重要方式。然而,POI推荐面临严重的数据稀疏性问题,用户旅行局部性现象更是恶化了这一问题。最近许多相关工作试图通过考虑社交、时间、地理、序列、语义等方面影响来解决上述数据稀疏性问题,但是他们仅利用了部分方面影响,没有一个并能准确整合多方面影响的方法。为了解决上述挑战,我们提出了一个基于图和序列联合嵌入的POI推荐方法。我们通过对7张二分图(用户-用户图、用户-时间段图、POI-时间段图、POI-区域层次图、POI-类别层次图、用户-性别图以及用户-POI图)和check-in序列进行联合嵌入学习,整合了社交、时间、地理、语义、用户性别、用户偏好以及序列方面影响。为了捕获check-in序列中的语义信息,我们方法利用了序列嵌入方法(word2vec),而其它方面影响则利用图嵌入方法,然后通过联合训练算法对上述多方面影响进行联合嵌入学习。需要注意的是我们方法具有一定的扩展性,可以很方便地整合其它方面影响,从而更好地解决数据稀疏性问题,为用户提供高质量的POI推荐。为了验证我们方法的效果,我们在来自Foursquare的大规模真实数据集上进行了充分的实验。实验结果表明,本文提出方法明显超过了其它对比方法。此外,我们还通过实验研究了本文考虑的各方面影响对推荐效果提升的作用大小,结果发现时间和语义影响相对其它方面影响在推荐效果的提升上作用更明显。