在线 POI 推荐:学习动态地理人类交互流
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
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
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
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
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
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
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