下一个兴趣点推荐是推荐算法领域的热点,旨在为用户推荐适合的下一地点。较新的研究通过图和序列方法模拟用户与POI的交互以及POI之间转换关系,性能得到显著提升。然而,现有模型仍然存在需要解决的问题。针对现有的下一个兴趣点推荐模...下一个兴趣点推荐是推荐算法领域的热点,旨在为用户推荐适合的下一地点。较新的研究通过图和序列方法模拟用户与POI的交互以及POI之间转换关系,性能得到显著提升。然而,现有模型仍然存在需要解决的问题。针对现有的下一个兴趣点推荐模型的局限性,特别是如何充分捕捉User-POI交互图上全局和局部信息,以及缓解图神经网络的过平滑特性导致图上信息丢失的问题,提出了基于graph Transformer的多编码模型(multi-coding network based on GT model)对下一个兴趣点进行推荐。首先,从位置和结构的视角上联合对user-POI交互图上进行全局、局部以及相对信息进行编码;然后,将编码后生成的图嵌入通过graph Transformer网络层更新图上节点与边信息;最后通过MLP网络层生成预测;最终,MCGT在Gowalla和TKY两个公开数据集进行对比实验。结果表明,在Gowalla数据集上recall和NDCG指标至少有3.79%的提升,在TKY数据集上recall和NDCG指标至少有2.5%的提升,证明了MCGT设计的合理性与有效性。展开更多
随着移动设备和社交软件的普遍应用,下一个兴趣点推荐(next POI recommendation)变成了基于位置的社交网络(LBSN)的一个非常重要的任务。现实生活中用户访问的下一个兴趣点通常受到用户签到序列信息、用户关系和该地点的上下文信息等诸...随着移动设备和社交软件的普遍应用,下一个兴趣点推荐(next POI recommendation)变成了基于位置的社交网络(LBSN)的一个非常重要的任务。现实生活中用户访问的下一个兴趣点通常受到用户签到序列信息、用户关系和该地点的上下文信息等诸多方面的影响。基于循环神经网络(RNN)的方法已经被广泛的应用到下一个兴趣点推荐中,但是这些基于RNN的方法缺乏对用户关系进行深入建模。为了解决上述问题,提出了一种整合用户关系和门控循环单元(GRU)进行下一个兴趣点推荐的模型(GRU-R),同时该模型能够考虑用户签到序列信息、用户关系、兴趣点的时空信息和类别信息等进行下一个兴趣点推荐。在两个真实公开的数据集上进行实验,结果表明提出的模型比现有主流的下一个兴趣点推荐算法具有更高的推荐准确性。展开更多
现有下一个兴趣点推荐(Next POI Recommendation)方法主要利用用户的历史签到序列并结合上下文环境因素进行,忽略了用户关系和签到记录中的序列相关性。该文提出一种基于用户关系和用户偏好的下一个兴趣点推荐方法(Relationships and Pr...现有下一个兴趣点推荐(Next POI Recommendation)方法主要利用用户的历史签到序列并结合上下文环境因素进行,忽略了用户关系和签到记录中的序列相关性。该文提出一种基于用户关系和用户偏好的下一个兴趣点推荐方法(Relationships and Preferences-Gated Recurrent Unit,RP-GRU)。首先,根据用户之间的社会关系构建用户关系图,在此基础上提出基于Skip-gram模型的用户关系嵌入向量生成方法;然后,考虑到不同时期的用户偏好对决策行为的不同影响,提出分段式用户偏好挖掘方法,利用GRU模型分析用户近期签到序列并结合用户关系嵌入向量获得兴趣点的近期得分,再通过K近邻序列挖掘用户的长期偏好进而获得兴趣点的长期得分;最后,提出兴趣点的近期得分和长期得分融合方法,并据此对兴趣点按综合得分进行推荐。通过在CA和Gowalla两个真实数据集上的实验表明,该文方法的ACC@1、ACC@5、ACC@10、MRR@10指标在CA数据集上分别高出目前最优算法37.98%、18.04%、12.15%和25.36%,在Gowalla数据集上分别高于目前最优算法10.82%、18.65%、9.39%和23.87%,表明该文方法能有效提高下一个兴趣点推荐的准确性,可为下一个兴趣点推荐提供新思路。展开更多
文摘下一个兴趣点推荐是推荐算法领域的热点,旨在为用户推荐适合的下一地点。较新的研究通过图和序列方法模拟用户与POI的交互以及POI之间转换关系,性能得到显著提升。然而,现有模型仍然存在需要解决的问题。针对现有的下一个兴趣点推荐模型的局限性,特别是如何充分捕捉User-POI交互图上全局和局部信息,以及缓解图神经网络的过平滑特性导致图上信息丢失的问题,提出了基于graph Transformer的多编码模型(multi-coding network based on GT model)对下一个兴趣点进行推荐。首先,从位置和结构的视角上联合对user-POI交互图上进行全局、局部以及相对信息进行编码;然后,将编码后生成的图嵌入通过graph Transformer网络层更新图上节点与边信息;最后通过MLP网络层生成预测;最终,MCGT在Gowalla和TKY两个公开数据集进行对比实验。结果表明,在Gowalla数据集上recall和NDCG指标至少有3.79%的提升,在TKY数据集上recall和NDCG指标至少有2.5%的提升,证明了MCGT设计的合理性与有效性。
文摘随着移动设备和社交软件的普遍应用,下一个兴趣点推荐(next POI recommendation)变成了基于位置的社交网络(LBSN)的一个非常重要的任务。现实生活中用户访问的下一个兴趣点通常受到用户签到序列信息、用户关系和该地点的上下文信息等诸多方面的影响。基于循环神经网络(RNN)的方法已经被广泛的应用到下一个兴趣点推荐中,但是这些基于RNN的方法缺乏对用户关系进行深入建模。为了解决上述问题,提出了一种整合用户关系和门控循环单元(GRU)进行下一个兴趣点推荐的模型(GRU-R),同时该模型能够考虑用户签到序列信息、用户关系、兴趣点的时空信息和类别信息等进行下一个兴趣点推荐。在两个真实公开的数据集上进行实验,结果表明提出的模型比现有主流的下一个兴趣点推荐算法具有更高的推荐准确性。
文摘现有下一个兴趣点推荐(Next POI Recommendation)方法主要利用用户的历史签到序列并结合上下文环境因素进行,忽略了用户关系和签到记录中的序列相关性。该文提出一种基于用户关系和用户偏好的下一个兴趣点推荐方法(Relationships and Preferences-Gated Recurrent Unit,RP-GRU)。首先,根据用户之间的社会关系构建用户关系图,在此基础上提出基于Skip-gram模型的用户关系嵌入向量生成方法;然后,考虑到不同时期的用户偏好对决策行为的不同影响,提出分段式用户偏好挖掘方法,利用GRU模型分析用户近期签到序列并结合用户关系嵌入向量获得兴趣点的近期得分,再通过K近邻序列挖掘用户的长期偏好进而获得兴趣点的长期得分;最后,提出兴趣点的近期得分和长期得分融合方法,并据此对兴趣点按综合得分进行推荐。通过在CA和Gowalla两个真实数据集上的实验表明,该文方法的ACC@1、ACC@5、ACC@10、MRR@10指标在CA数据集上分别高出目前最优算法37.98%、18.04%、12.15%和25.36%,在Gowalla数据集上分别高于目前最优算法10.82%、18.65%、9.39%和23.87%,表明该文方法能有效提高下一个兴趣点推荐的准确性,可为下一个兴趣点推荐提供新思路。
