互联网技术的快速发展和移动终端的普及向用户们提供了海量的信息资源,用户逐渐习惯于网上购物、看视频、听音乐以及浏览新闻资讯。然而这些丰富的资源也带来了信息过载的问题,使得用户可能需要花费大量的时间以及精力来从海量的信息中检索到感兴趣的内容。如何全面并且精确地帮助用户找到需要的内容成为了个性化推荐系统中的主要目标。向用户们推荐没有参观过的且可能感兴趣的兴趣点（POI）是基于地理位置的社交网络中基本应用之一。先前的兴趣点推荐研究要么利用基于矩阵分解的方法,要么利用深度学习网络来学习兴趣点和用户的更好的向量表示从而评估用户的潜在偏好。然而这些方法没有充分利用到丰富的上下文信息,包括用户的社交关系和兴趣点的地理位置。作为一种定向异构图,知识图谱（KG）中的节点和边表示实体和联系,它是描述与用户/物品相关的边信息的理想工具。近年来,许多研究利用知识图谱来对推荐系统进行增强。尽管这些方法具有高效性,但是现有的基于知识图谱的方法仍然缺失了几个关键的因素。首先,先前的研究仅仅通过用户与物品的交互来寻找相似的用户从而增强用户表示。其次,现有的工作通常把每种联系独立于其他联系进行处理。此外,大多数研究方法往往会面临推荐领域的固有挑战:数据稀疏性和冷启动。本文设计了HGMAP模型和ERSPD模型来解决上述的问题,这两种方法的主要贡献如下:（1）本文设计了一种新的POI推荐模型HGMAP,该模型不仅利用了两个图卷积网络（GCNs）来分别对用户社交关系和地理距离进行建模,还利用了多头注意机制来区分用户关于兴趣点不同方面的偏好。（2）本文设计了一种基于知识图谱增强的推荐模型ERSPD,该模型计算了低阶联系和高阶联系之间的相似度来确定多跳邻居在实体表示的计算过程中的重要程度。此外,ERSPD模型从用户评分记录中利用用户偏好差别来优化用户表示。（3）本文在六个现实数据集上进行了丰富的实验,实验结果证明了提出的两种方法在优越性和高效性上均优于其他一些最新的方法。