下一个兴趣点推荐是推荐算法领域的热点，旨在为用户推荐适合的下一地点。较新的研究通过图和序列方法模拟用户与POI的交互以及POI之间转换关系，性能得到显著提升。然而，现有模型仍然存在需要解决的问题。针对现有的下一个兴趣点推荐模型的局限性，特别是如何充分捕捉User-POI交互图上全局和局部信息，以及缓解图神经网络的过平滑特性导致图上信息丢失的问题，提出了基于graph Transformer的多编码模型 （multi-coding network based on GT model）对下一个兴趣点进行推荐。首先，从位置和结构的视角上联合对user-POI交互图上进行全局、局部以及相对信息进行编码；然后，将编码后生成的图嵌入通过graph Transformer网络层更新图上节点与边信息；最后通过MLP网络层生成预测；最终，MCGT在Gowalla和TKY两个公开数据集进行对比实验。结果表明，在Gowalla 数据集上recall和NDCG指标至少有3.79%的提升，在TKY数据集上recall和NDCG指标至少有2.5%的提升，证明了MCGT设计的合理性与有效性。