本文旨在探讨如何通过机器学习算法采用不同信息源，结合旅行者过往的行为习惯，综合考虑景点和路线，提高游览景点的推荐体验。实验表明本方法优于近期其他解决方案。

Aug, 2016

使用 BTREC (基于 BERT 的轨迹推荐) 算法，通过将用户的人口统计信息与过去的 POI 访问纳入修改后的 BERT 语言模型，推荐个性化的 POI 行程，以最大化 POI 的访问数量，并考虑用户对 POI 类别和时间可用性的偏好。

Oct, 2023

本研究首次提出了基于自然语言描述的开放领域城市行程规划（OUIP）任务，结合大型语言模型和空间优化技术，实现根据用户需求定制城市行程，通过离线数据集与在线主观评估，证明该系统能够提供比当前基于大型语言模型的解决方案更具响应性和空间一致性的行程规划。

Feb, 2024

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

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

该论文使用矩阵分解技术将社交、地理和时间信息纳入推荐系统中，增加了友谊算法和活动中心，从而提高了 POI 推荐系统的性能。实验结果表明，该模型在真实世界数据集上优于现有技术，精确率提高了 31% 和 14%。

Jan, 2022

本研究提出了一个基于 BERT 的定位感知推荐系统，该系统可以从基于位置的社交媒体平台中提取位置信息，并根据用户的历史行为和偏好，为用户提供更相关的位置推荐结果，该模型在大量的实验数据集中一致优于现有的顺序模型。

Aug, 2022

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

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

本文提出了一个新的人类出行轨迹挖掘流程，利用大型语言模型对兴趣点进行活动类型标注，并使用基于贝叶斯算法推断轨迹中每个停留点的活动，评估结果表明，该方法在 POI 分类方面达到了 93.4% 的准确率和 96.1% 的 F-1 分数，并在活动推测方面达到了 91.7% 的准确率和 92.3% 的 F-1 分数。

May, 2024