研究了 POI（点 - of-interest）推荐系统中用户 - POI 数据稀疏性、时空上下文变化以及语义信息对推荐质量的影响，提出了一种基于转换关系嵌入和知识图谱嵌入技术的 POI 推荐模型并构建了基于用户 - POI 图的组合矩阵分解框架来增强动态个人兴趣的推理。实验证明该方法具有较好的推荐效果。

Feb, 2020

本研究提出了一种基于注意力机制的序列生成模型 POI-Augmentation Seq2Seq (PA-Seq2Seq)，来解决缺失和不规则签到数据对模型性能的负面影响，以及学习用户历史中的时间相关性，以有效和高效地进行下一个位置推荐。通过在 Gowalla 和 Brightkite 两个真实世界的签到数据集上进行的广泛实验，证明了该方法的性能和有效性。

Jun, 2021

本研究提出了一个基于 BERT 的定位感知推荐系统，该系统可以从基于位置的社交媒体平台中提取位置信息，并根据用户的历史行为和偏好，为用户提供更相关的位置推荐结果，该模型在大量的实验数据集中一致优于现有的顺序模型。

Aug, 2022

本篇论文提出了一种基于双图的 POI 推荐方法 DisenPOI，旨在通过利用顺序和地理关系、自我监督等手段，将这两种影响区分开来， 实现更好的 POI 推荐效果。

Oct, 2022

本文提出了一种时间自适应的翻译嵌入模型（TransTARec）用于下一个 POI 推荐，该模型在单个组件中自然地结合了时间影响、顺序动态和用户偏好，并通过神经网络融合操作融合了用户偏好和时间影响。经过大量实验验证，TransTARec 展示了其优越性，不仅在于引入了时间影响，还在于与用户偏好和顺序动态的直接统一。

Apr, 2024

本研究提出了一种基于内核的图神经网络方法，用于下一个 POI 推荐，旨在协同考虑了地理和序列影响，具体地，该方法包括了一个地理模块和一个序列模块，并引入了一个一致性学习框架，提升了两个分离图形提取的跨模块信息交流。在两个真实世界的 LBSN 数据集上，详尽的实验结果展示了该方法相比现有技术的卓越性能。

Oct, 2022

本研究使用新颖的探索 - 利用模型，提出使用 Spatial-Temporal-Preference User Dimensional Graph Attention Network (STP-UDGAT) 来同时为用户的个性化偏好和探索新的 POI 以及通过随机游走来寻找新的高阶 POI 邻居，以解决点 - of-Interest (POI) recommendation 的问题，并且在六个真实世界数据集上实验结果显示，该模型明显优于基准线和现有的方法。

Oct, 2020

本文提出了一种基于 Sequence-to-Graph 增强的 POI 序列建模方法，结合多任务学习和类别感知以全面挖掘多层次的用户偏好序列模式，实现了有效的下一个 POI 推荐。

Jun, 2021

本研究提出了一种称为 SE-KGE 的位置感知知识图嵌入模型，该模型通过将地理实体的点坐标或边界框直接编码到 KG 嵌入空间中来处理空间信息，并在 DBGeo 数据集上对其进行了评估。结果表明，此模型在地理逻辑查询回答任务上优于多个基线，并引入了一种称为空间语义提升的新型下游任务，该任务通过某些关系将研究区域中的任意位置链接到 KG 中的实体。

Apr, 2020

本文提出了一种基于自编码器的模型，即 SAE-NAD，用于学习非线性用户 - 地点关系，通过采用多维关注机制自适应地区分用户偏好程度，并通过 POI 嵌入与径向基函数内积相结合的方法实现在检查的 POI 的相似和附近邻居上使用户到达更高的可达性，并在三个真实世界数据集上进行了广泛的实验，证明了本模型的有效性。

Sep, 2018