Mining dynamic preferences from geographical and interactive correlations for next POI recommendation

介绍

提出了一个名为MPGI(从地理和交互相关性中挖掘偏好)的新框架，用于下一个POI推荐。具体而言，我们首先设计了一个POI相关建模层，以捕获所有POI对之间的地理距离和交互相关性。然后，我们将来自高度相关POI的相关信号融合到目标POI中，以获得高质量的POI表示。此外，对于用户长期和短期偏好建模，我们提出了位置感知注意单元和注意网络，以动态选择签入轨迹中最有价值的信息。

存在的问题

以往的工作大多只捕捉用户独立签入序列中连续访问的poi之间的过渡距离。由于POI在地理上与多个其他POI相邻，因此POI之间的地理相邻关系不能完全捕获。此外，POI之间的协作关系在基于协同过滤的模型[16]中得到了验证，但在接下来的POI推荐中很少被考虑。在实际场景中，poi之间的相关性相当复杂。

人们通常会连续访问地理上相邻的poi。

大多数现有模型仅基于最近几次签到来捕捉用户的短期偏好[12,19]。然而，用户的长期偏好，包括相关和不相关的信息，也对用户的行为有贡献。最近的一些研究试图捕捉用户表示的长期和短期偏好[20,21]。然而，他们未能自适应区分poi对发现有价值的用户签到的重要性。事实上，不同的poi根据其在不同时间点的意义对特定用户具有不同的意义。因此，对相关poi动态加权是提高推荐性能的必要手段。

具体来说，我们设计了一个POI相关建模层来捕获所有POI对之间的地理距离和交互相关性。然后，我们通过加权边连接高度相关的poi，并使用Node2Vec训练poi的嵌入。此外，我们开发了位置感知注意单元和注意网络，自适应地选择最有价值的信息，从而获得用户的动态长期和短期偏好。最后，我们在预测层使用softmax函数计算所有poi的访问概率分布。

贡献

我们提出了一种新的next POI推荐模型，通过显式捕获复杂相关性(即所有POI对之间的地理距离和交互相关性)来学习POI嵌入。

我们设计了位置感知注意力单元和注意力网络，自适应地选择最有价值的签到，以建模用户的长期和短期偏好。

方法

框架

POI关系建模

大多数研究只捕获了连续签到之间的过渡时间和过渡距离，而忽略了poi之间的复杂相关性。因此，高度相关的POI特征很难融合到目标POI中，严重制约了POI嵌入的可表达性。为此，我们考虑了poi之间的复杂相关性。这里的“复杂”属性源于两个方面。首先，应同时考虑地理距离和相互关系。其次，本文将彻底捕获所有POI对的这两种相关性，而不是POI对的一部分。通过node2vec训练捕获这种相关性后，类似的poi在特定方面会有类似的表示，为后续的用户偏好学习奠定基础。