推荐轨迹的学习点和路径
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
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
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
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
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
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