该论文提出了一种基于地理位置的稀疏加性生成模型 Geo-SAGE，用于解决基于位置的社交网络中的稀疏用户 - 空间项目矩阵和地理位置相关性问题，并在实验中证明其在家乡和外出旅行两个任务中的表现优于其他最新模型。

Mar, 2015

基于自我注意力网络结构的接近感知区域表示（PASR）通过利用地理信息、使用自我注意力的地理编码器以及近邻感知的负采样器等方法，超越了现有的顺序位置推荐方法。

Oct, 2023

该研究开发了一个能够从地理定位的城市评价中提取城市方面，并对其进行情感分类的 ABSA 模型。通过对 2500 个公共公园的众包评价进行数据标注，并在这些数据上使用带有局部上下文焦点的双向编码器表示转换 (BERT) 模型进行训练，我们的模型在城市评价的方面术语提取和方面情感分类任务中取得了显著的预测准确性。通过空间可视化展示了波士顿的正负城市方面。我们希望这个模型对设计师和规划师进行细粒度的城市情感评价时能够有所帮助。

Dec, 2023

提出一种基于旅游意图的出城推荐框架，使用图神经网络表示用户的家乡签到偏好和地理约束，结合神经主题模型构建用户专属的旅游意图，通过非线性映射和矩阵分解方法推荐用户在出城地点感兴趣的 POI。

Jan, 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

提出了一种基于 Spatio-Temporal Attention Network (STAN) 的地点推荐方法，利用自注意层解决了现有模型中非相邻地点和非连续拜访贡献的问题，并通过可视化证明其比现有最先进的方法表现更好，可以更好地根据用户轨迹进行个性化的地点推荐

Feb, 2021

本研究旨在从地理信息服务中收集大量来自世界各地的消费者反馈中提取感官数据，并集成到推荐算法中，以生成更包容性的推荐系统，具有较高的准确性和排名性能。

Apr, 2022

该论文使用矩阵分解技术将社交、地理和时间信息纳入推荐系统中，增加了友谊算法和活动中心，从而提高了 POI 推荐系统的性能。实验结果表明，该模型在真实世界数据集上优于现有技术，精确率提高了 31% 和 14%。

Jan, 2022

本文提出了一种基于语义分析和生成模型的推荐系统方法（SAR），能够从用户评分数据中学习出用户和物品的语义表示，并通过语义匹配得出更精准的推荐结果，实验证明 SAR 大幅优于其他同类算法。

Feb, 2017

本文提出了一个紧密耦合的两阶段方法以改进基于评论的推荐系统。通过提取方面 - 情感对和利用它们作为具体的层面证据来估算评级，APRE 方法超越了现有的基线，并有效地提高了精度。

Sep, 2021