Apr, 2022

多关系模型赋能下一代 POI 推荐

PDF
TL;DR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。
location-based social networkspoint-of-interest recommendationpersonalized recommendationsrelational informationmulti-network representation learning
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 基于话题增强记忆网络的个性化兴趣点推荐

    本论文提出了一种基于主题增强的记忆网络和地理模块相结合的深度架构，以及一种新的 POI 推荐算法，该算法可以捕获用户复杂的偏好和细粒度的用户 - POI 关系，具有良好的效果。

    May, 2019

  • 下一个 POI 推荐中 LLMs 的零样本泛化能力

    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

  • 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

  • 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

  • 基于上下文感知注意力的 POI 推荐数据增强方法

    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