随着基于位置的社交网络的快速发展,下一个PoI(point of interest)推荐已成为推荐领域的研究热点。然而现有研究模型忽略了PoI的时空特征以及上下文信息对下一个PoI推荐的效果。针对该问题,提出一种时空上下文感知的下一个PoI推荐方法...随着基于位置的社交网络的快速发展,下一个PoI(point of interest)推荐已成为推荐领域的研究热点。然而现有研究模型忽略了PoI的时空特征以及上下文信息对下一个PoI推荐的效果。针对该问题,提出一种时空上下文感知的下一个PoI推荐方法。首先,利用图注意力网络(GAT)学习包含社交关系的用户表征;并且通过流行度增强二部图神经网络(PEBGNN)学习含有PoI交互偏好的用户表征和PoI表征;同时,利用时空图卷积网络(ST-GCN)学习PoI时空转移偏好的PoI表征;最后,通过融合所学到的用户表征和PoI表征,计算出用户对于各个PoI的预测评分,以此为基础为用户推荐下一个PoI。为了验证该方法的有效性,在Gowalla、Foursquare以及Yelp这三个公开的数据集上进行了测试。实验结果显示,相比于多个基准模型,所提方法在准确率和召回率方面均展现出了显著的优势,分别平均提升28.53%和7.65%。展开更多
文摘随着基于位置的社交网络的快速发展,下一个PoI(point of interest)推荐已成为推荐领域的研究热点。然而现有研究模型忽略了PoI的时空特征以及上下文信息对下一个PoI推荐的效果。针对该问题,提出一种时空上下文感知的下一个PoI推荐方法。首先,利用图注意力网络(GAT)学习包含社交关系的用户表征;并且通过流行度增强二部图神经网络(PEBGNN)学习含有PoI交互偏好的用户表征和PoI表征;同时,利用时空图卷积网络(ST-GCN)学习PoI时空转移偏好的PoI表征;最后,通过融合所学到的用户表征和PoI表征,计算出用户对于各个PoI的预测评分,以此为基础为用户推荐下一个PoI。为了验证该方法的有效性,在Gowalla、Foursquare以及Yelp这三个公开的数据集上进行了测试。实验结果显示,相比于多个基准模型,所提方法在准确率和召回率方面均展现出了显著的优势,分别平均提升28.53%和7.65%。
