异质图嵌入的地理不敏感时空兴趣点推荐方法

基于地理位置的社交网络(LBSN)规模日渐庞大,促进了兴趣点(POI)推荐业务快速发展。现有研究常直接引入POI地理空间距离难以模拟用户高度随机的行为路径,导致兴趣点推荐过程对地点位置距离度量较为敏感。同时,社交网络中用户稀疏的POI签到数据也容易对推荐精度产生巨大影响。针对以上问题,提出一种基于异质图嵌入的地理不敏感时空兴趣点推荐模型(GIPR)。首先,引入用户行为序列,构造行为POI时空拓扑图,使用权重空间路径表示相对位置距离,既符合用户行为特征,也降低了推荐过程对兴趣点间距离的敏感程度,进而增强推荐结果的可解释性。其次,面对异质且高度稀疏的交互数据,提出的GIPR推荐方法可从局部和全局对完整的LBSN异质图进行学习,融合更丰富的用户和POI特征。最后,经过注意力层提取用户的长短期偏好,实现更加个性化的兴趣点推荐。在两个大规模真实数据集Foursquare和Gowalla上的实验表明,GIPR方法具有更高的推荐精度与更强的可解释性。