Jun, 2021

基于上下文感知注意力的 POI 推荐数据增强方法

PDF
TL;DR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。
location-based social networkspoi recommendationnext-poi recommendationsequence-to-sequence modelattention mechanism
发现论文，激发创造
  • 贝叶斯增强的多视图注意力网络用于鲁棒型兴趣点推荐

    考虑用户签到的不确定性因素，本研究提出了一个新的鲁棒的 POI 推荐问题，并提出了一种 Bayes 增强的多视图关注网络，以解决现有方法在不完整和嘈杂的签到数据下的推荐性能问题。

    Nov, 2023

  • 使用迭代 Seq2Graph 增强发现下一个 POI 推荐的协作信号

    本文提出了一种基于 Sequence-to-Graph 增强的 POI 序列建模方法，结合多任务学习和类别感知以全面挖掘多层次的用户偏好序列模式，实现了有效的下一个 POI 推荐。

    Jun, 2021

  • 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

  • 关于上下文信息对兴趣点推荐影响的系统分析

    本文提出了不同的上下文模型，分析了 POI 推荐中不同主要上下文信息的融合。主要贡献是：提供了对上下文感知定位推荐的广泛调查，量化和分析不同上下文信息在 POI 推荐中的影响，并使用两个着名的现实世界数据集评估了所考虑的模型。我们的结果表明，虽然建模地理和时间影响可以提高推荐的质量，但将所有其他上下文信息融合到推荐模型中并不总是最佳策略。

    Jan, 2022

  • 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

  • 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

  • 利用自注意力自编码器和邻居感知来推荐地点

    本文提出了一种基于自编码器的模型，即 SAE-NAD，用于学习非线性用户 - 地点关系，通过采用多维关注机制自适应地区分用户偏好程度，并通过 POI 嵌入与径向基函数内积相结合的方法实现在检查的 POI 的相似和附近邻居上使用户到达更高的可达性，并在三个真实世界数据集上进行了广泛的实验，证明了本模型的有效性。

    Sep, 2018

  • GT-SEER: 地理 - 时间序列嵌入排序用于兴趣点推荐

    本文提出了一种名为 SEER 的点 - of-interest 推荐模型，该模型利用嵌入式学习技术来捕捉上下文信息，学习用户偏好，进而在顺序和时间约束下推荐 POI，并将时间和地理影响因素纳入模型以增强其性能。

    Jun, 2016

  • 建模双向时空依赖与用户动态偏好进行遗漏 POI 签到识别

    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

  • 探索学生签到行为以改进兴趣点预测

    本文通过对普渡大学的 WiFi 访问日志进行分析，提出了基于异构图的方法来编码用户、兴趣点和活动之间的关联，进而联合学习顶点的嵌入表示，证明了基于娱乐数据的建模假设在更丰富的签到数据上效果显著降低。

    Sep, 2018