SIGIRMar, 2023

GETNext: 轨迹流图增强 Transformer 用于下一个 POI 推荐

PDF
TL;DR本文提出了一个基于 GETNext Graph enhanced Transformer 模型的方法，通过将用户的全局移动模式、用户偏好、时空背景以及类别嵌入放在了一个 Transformer 模型中，有效地利用了协作信号以提高下一个 POI 推荐的准确性，同时缓解了冷启动问题。实验证明，该模型在解决空间 - 时间方面的建议问题上的性能大大优于现有技术，指出了解决冷启动问题的方法。
next poi recommendationcollaborative signalsglobal trajectory flow mapgraph enhanced transformer modelcold start problem
发现论文，激发创造
  • NEXT：基于神经网络的下一个 POI 推荐框架

    本论文提出了一个简单而有效的神经网络框架 NEXT，旨在通过整合元数据，时间间隔和访问时间等时序信息及地理影响，归纳用户实现 POI 推荐并提供其意图空间的有意义的解释。实验证明 NEXT 的性能显著优于其他备选方案和基于神经网络的解决方案。

    Apr, 2017

  • TransTARec: 适应时间的翻译嵌入模型用于下一个 POI 推荐

    本文提出了一种时间自适应的翻译嵌入模型（TransTARec）用于下一个 POI 推荐，该模型在单个组件中自然地结合了时间影响、顺序动态和用户偏好，并通过神经网络融合操作融合了用户偏好和时间影响。经过大量实验验证，TransTARec 展示了其优越性，不仅在于引入了时间影响，还在于与用户偏好和顺序动态的直接统一。

    Apr, 2024

  • 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

  • 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

  • 基于图形的移动建模研究：用于下一个兴趣点推荐的图形转换模型

    MobGT 是一种基于图神经网络和移动性图转换器的算法，能够全面利用图来捕捉用户移动模式中的空间和时间特征，并通过引入针对空间 - 时间数据的新型损失函数解决了长尾问题。

    Oct, 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

  • 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

  • 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

  • MobTCast：利用辅助轨迹预测进行人类移动预测

    本文提出了 MobTCast：一种基于 Transformer 结构的上下文感知的网络模型，用于预测未来的兴趣点（POIs）。此模型探究了 4 种上下文对预测的影响：时间，语义，社交和地理位置，并通过引入自我注意机制和地理位置预测分支以及一致性损失来提高预测性能。实验证明此模型优于现有的预测方法，并展示了包括上下文在内的多种因素对于下一个 POI 的预测具有重要意义。

    Sep, 2021

  • TribeFlow: 挖掘和预测用户轨迹

    TribeFlow 是一种通用的方法，可用于个性化预测非稳态、短暂和时间异构用户轨迹，实现下一个产品 / 歌曲推荐及用户轨迹预测，与其他相同产品相比，准确性更高，速度高达 413 倍。

    Nov, 2015