Apr, 2024

TransTARec: 适应时间的翻译嵌入模型用于下一个 POI 推荐

PDF
TL;DR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。
poi recommendationtranslating embedding methodstime-adaptivetemporal influencesequential dynamics
发现论文，激发创造
  • GETNext: 轨迹流图增强 Transformer 用于下一个 POI 推荐

    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。

    Mar, 2023

  • 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

  • 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

  • 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

  • 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

  • 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

  • BTRec：基于 BERT 的个性化旅游轨迹推荐

    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

  • BERT4Loc: 基于 BERT 的位置推荐系统

    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

  • 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

  • SBTRec- 个性化旅游推荐问题的 Transformer 框架和情感分析

    我们提出了基于 BERT 和情感分析的 SBTRec 算法，用于推荐个性化的有序兴趣点序列作为旅行行程，通过分析用户的签到和上传的照片，了解兴趣点访问和距离之间的关系，并通过理解用户对不同兴趣点的评论和评价来提高推荐准确性。评估结果表明，SBTRec 平均 F1 分数为 61.45%，优于基线算法，且该算法具有灵活性，能够适应不同场景和城市，且可以通过结合其他信息进行扩展以提高预测的可靠性，进而提供个性化和相关的兴趣点推荐，增强旅游者的整体旅行体验。

    Nov, 2023