Apr, 2017

NEXT：基于神经网络的下一个 POI 推荐框架

PDF
TL;DR本论文提出了一个简单而有效的神经网络框架 NEXT，旨在通过整合元数据，时间间隔和访问时间等时序信息及地理影响，归纳用户实现 POI 推荐并提供其意图空间的有意义的解释。实验证明 NEXT 的性能显著优于其他备选方案和基于神经网络的解决方案。
next poi recommendationneural network frameworkhidden intenttemporal contextsdeepwalk
发现论文，激发创造
  • GETNext: 轨迹流图增强 Transformer 用于下一个 POI 推荐

    本文提出了一个基于 GETNext Graph enhanced Transformer 模型的方法，通过将用户的全局移动模式、用户偏好、时空背景以及类别嵌入放在了一个 Transformer 模型中，有效地利用了协作信号以提高下一个 POI 推荐的准确性，同时缓解了冷启动问题。实验证明，该模型在解决空间 - 时间方面的建议问题上的性能大大优于现有技术，指出了解决冷启动问题的方法。

    Mar, 2023

  • 大型语言模型用于下一次兴趣点推荐

    利用预训练的大型语言模型处理 POI 推荐任务中的丰富背景信息，提出的框架在三个真实世界 LBSN 数据集上表现优于现有模型，有效解决了冷启动和短轨迹问题。

    Apr, 2024

  • 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

  • Where to Go Next: 一种用于下一个 POI 推荐的时空 LSTM 模型

    本文提出了一种基于 STLSTM 的方法来建模相继签到地点之间的时空关系，在四个真实数据集上的实验表明，该方法能够显著地优于现有的下一个兴趣点推荐方法。

    Jun, 2018

  • 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

  • 基于话题增强记忆网络的个性化兴趣点推荐

    本论文提出了一种基于主题增强的记忆网络和地理模块相结合的深度架构，以及一种新的 POI 推荐算法，该算法可以捕获用户复杂的偏好和细粒度的用户 - POI 关系，具有良好的效果。

    May, 2019

  • TransTARec: 适应时间的翻译嵌入模型用于下一个 POI 推荐

    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

  • 基于核方法的下一个兴趣点推荐子结构探索

    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

  • 基于神经网络的下一首歌曲推荐

    本文提出一种基于神经网络的下一首歌曲推荐系统 CNN-rec，并与其他神经网络和传统推荐系统在下一首歌曲推荐任务上进行比较，验证结果表明该系统优于传统系统并具有与最先进系统相当的性能表现。

    Jun, 2016

  • 基于上下文感知注意力的 POI 推荐数据增强方法

    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