Aug, 2016

推荐轨迹的学习点和路径

PDF
TL;DR本文旨在探讨如何通过机器学习算法采用不同信息源，结合旅行者过往的行为习惯，综合考虑景点和路线，提高游览景点的推荐体验。实验表明本方法优于近期其他解决方案。
发现论文，激发创造
  • 利用语言模型进行旅行行程推荐

    利用语言模型进行旅行行程推荐和规划，包括使用词嵌入技术和基于 BERT 的技术来学习 POI 嵌入和生成行程。

    Nov, 2023

  • BTRec：基于 BERT 的个性化旅游轨迹推荐

    使用 BTREC (基于 BERT 的轨迹推荐) 算法，通过将用户的人口统计信息与过去的 POI 访问纳入修改后的 BERT 语言模型，推荐个性化的 POI 行程，以最大化 POI 的访问数量，并考虑用户对 POI 类别和时间可用性的偏好。

    Oct, 2023

  • LLM 信息支持下的语义轨迹数据挖掘与 POI 分类

    本文提出了一个新的人类出行轨迹挖掘流程，利用大型语言模型对兴趣点进行活动类型标注，并使用基于贝叶斯算法推断轨迹中每个停留点的活动，评估结果表明，该方法在 POI 分类方面达到了 93.4% 的准确率和 96.1% 的 F-1 分数，并在活动推测方面达到了 91.7% 的准确率和 92.3% 的 F-1 分数。

    May, 2024

  • DisenPOI: 点 - of-Interest 推荐中序列和地理影响的分离

    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

  • 基于位置的社交网络中兴趣点推荐调研

    本文通过对相关领域的系统梳理、探讨新特性和挑战、提出 POI 推荐的关键作用和具体分类，以及讨论目前数据集和可用的指标，揭示了 POI 推荐的现状、发展和未来方向。

    Jul, 2016

  • 元学习增强的下一个兴趣点推荐：利用辅助城市的签到记录

    通过元学习框架以及相关性策略，研究了从其他城市中提取的知识对用户偏好预测的影响，提出了一个新的元学习增强下一个感兴趣点（POI）推荐框架（MERec），并通过实验证实了其优越性。

    Aug, 2023

  • 多关系模型赋能下一代 POI 推荐

    本文提出了一种名为 “MEMO” 的新型框架，该框架利用多网络表示学习模块有效利用异构关系，并采用耦合循环神经网络明确地融合了时间间隔内用户 - POI 相互影响，从而有效地解决了点 of 兴趣推荐中关系异质性的问题。

    Apr, 2022

  • 个性化 POI 推荐的关系嵌入

    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

  • 通过移动树学习时间槽偏好以用于下一个 POI 推荐

    通过使用创新的数据结构 Mobility Tree 和多任务框架 MTNet，本研究在三个真实世界的位置基社交网络 (LBSN) 数据集上进行了实验证明，时间段偏好学习在下一个 POI 推荐中具有有效性。

    Mar, 2024

  • 提升下一个 POI 预测的效果：与遥感数据的空间和语义增强

    提出了一种基于深度学习的两步预测框架，通过丰富输入特征、引入遥感数据和构建 QR-P 图等方法来解决点兴趣预测中的挑战，并通过实证研究证明了该方法的优越性。

    Mar, 2024