Where to Go Next: 一种用于下一个 POI 推荐的时空 LSTM 模型
通过对两个广泛使用的真实世界数据集进行广泛实验,我们得出了几个重要的发现。实证评估表明,大型语言模型具有有希望的零样本推荐能力,可以提供准确合理的预测。我们还揭示了大型语言模型不能准确理解地理上下文信息,并对候选 POI 的展示顺序敏感,这显示了大型语言模型的局限性并需要进一步研究鲁棒的人类移动推理机制。
Apr, 2024
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
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
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
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。
Apr, 2017
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
本文提出了一种 Bi-STDDP 模型,通过整合双向时空相关性和用户动态偏好识别具有缺失 POI 签到信息和时间的用户所访问的地点,结果在三个大规模真实世界数据集上表现出优于最先进方法的显著改进,并可扩展应用于 POI 推荐和位置预测任务。
Dec, 2021
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