Oct, 2022

基于核方法的下一个兴趣点推荐子结构探索

PDF
TL;DR本研究提出了一种基于内核的图神经网络方法，用于下一个 POI 推荐，旨在协同考虑了地理和序列影响，具体地，该方法包括了一个地理模块和一个序列模块，并引入了一个一致性学习框架，提升了两个分离图形提取的跨模块信息交流。在两个真实世界的 LBSN 数据集上，详尽的实验结果展示了该方法相比现有技术的卓越性能。
point-of-interest recommendationkernel-based graph neural networkgeographical influencessequential substructurescollaborative learning
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • Where to Go Next: 一种用于下一个 POI 推荐的时空 LSTM 模型

    本文提出了一种基于 STLSTM 的方法来建模相继签到地点之间的时空关系，在四个真实数据集上的实验表明，该方法能够显著地优于现有的下一个兴趣点推荐方法。

    Jun, 2018