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...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。展开更多
文摘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。
