Feb, 2022

利用空间增强的图神经网络推断兴趣点之间关系

PDF
TL;DR本研究提出了新算法 PRIM，通过加权的关系图神经网络、分类目录系统、自我注意的空间上下文抽取器和距离特定的评分函数等四个新颖组件探讨地点基础服务中 POI 之间的关系。在两个真实数据集上进行的实验显示，PRIM 能够有效地推断多种关系类型中 POI 之间的关系，并具有鲁棒性和适用性。
location-based servicespoints-of-interestsrelationship inferencespatial characteristicsreal-world datasets
发现论文，激发创造
  • 个性化 POI 推荐的关系嵌入

    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

  • 下一个 POI 的超关系知识图神经网络

    基于移动技术和位置感知社交网络中的 POI 推荐系统的知识图谱建模的研究，以及超关系和数据稀疏性的影响与解决方法的探讨。

    Nov, 2023

  • 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

  • DisenPOI: 点 - of-Interest 推荐中序列和地理影响的分离

    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

  • 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

  • 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

  • 基于位置的社交网络中兴趣点推荐调研

    本文通过对相关领域的系统梳理、探讨新特性和挑战、提出 POI 推荐的关键作用和具体分类，以及讨论目前数据集和可用的指标，揭示了 POI 推荐的现状、发展和未来方向。

    Jul, 2016

  • 探索基于图推理的文本视觉问答中的稀疏空间关系

    TextVQA 中解决冗余关系推理的稀疏空间图网络 (SSGN) 被提出，通过空间感知关系修剪技术识别最重要的连接或消除冗余连接，在图学习中考虑物体 - 物体关系和 OCR-OCR 标记关系。实验证明 SSGN 在 TextVQA 和 ST-VQA 数据集上取得了令人满意的性能表现，并且某些可视化结果进一步证明了我们方法的可解释性。

    Oct, 2023

  • 元学习增强的下一个兴趣点推荐：利用辅助城市的签到记录

    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

  • STP-UDGAT: 用于下一个 POI 推荐的空间 - 时间 - 偏好用户维度图注意力网络

    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