La recomendación del siguiente punto de interés (POI) es una parte crucial de las aplicaciones sociales basadas en la ubicación. Los trabajos existentes han intentado aprender la representación del comportamiento a través de un modelo de secuencia combinado con un contexto espacial-temporal de intervalo. Sin embargo, estos enfoques ignoran el impacto de los patrones de comportamiento implícitos contenidos en la trayectoria de visita en la toma de decisiones del usuario. En este documento, proponemos un nuevo modelo de aprendizaje de patrones de comportamiento auto-supervisado basado en gráficos (GSBPL) para la recomendación del siguiente POI. GSBPL aplica dos operaciones de aumento de datos de gráficos para generar gráficos de trayectoria aumentados y modelar patrones de comportamiento implícitos. Al mismo tiempo, se propone un codificador de representación de preferencias de gráficos (GPRE) basado en el contexto geográfico y social para aprender las representaciones de alto orden de los gráficos de trayectoria, y luego capturar patrones de comportamiento implícitos a través del aprendizaje contrastivo. Además, proponemos una autoatención basada en la incrustación de múltiples características para aprender las preferencias dinámicas a corto plazo de los usuarios, y finalmente combinar la representación del gráfico de trayectoria para predecir la siguiente ubicación. Los resultados experimentales en tres conjuntos de datos del mundo real demuestran que GSBPL supera la línea de base de aprendizaje supervisado en términos de rendimiento bajo las mismas condiciones.