Nov, 2023

贝叶斯增强的多视图注意力网络用于鲁棒型兴趣点推荐

PDF
TL;DR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。
poi recommendationuser check-insbayes-enhanced multi-view attention networkpersonal poi transition graphrobust recommendation
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 利用自注意力自编码器和邻居感知来推荐地点

    本文提出了一种基于自编码器的模型，即 SAE-NAD，用于学习非线性用户 - 地点关系，通过采用多维关注机制自适应地区分用户偏好程度，并通过 POI 嵌入与径向基函数内积相结合的方法实现在检查的 POI 的相似和附近邻居上使用户到达更高的可达性，并在三个真实世界数据集上进行了广泛的实验，证明了本模型的有效性。

    Sep, 2018

  • 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

  • 建模双向时空依赖与用户动态偏好进行遗漏 POI 签到识别

    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

  • 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

  • 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