基于时空上下文信息的POI推荐模型研究.pdfVIP

摘 要 随着可穿戴设备的快速发展，基于位置的社交网络 （LBSN,Location-based SocialNetwork POI LBSN ）越来越受到人们的重视。 推荐作为 的一个研究热点， 它通过对海量签到数据的分析和挖掘，给用户提供个性化的服务。这不仅让平台 更加了解目标受众，还为用户带来了极大的便利，也因此在各个领域被广泛应用。 与传统的推荐系统相比，POI 推荐更具有技术挑战。一方面，用户签到的频 率过少导致数据过于稀疏，不能体现用户的动态移动行为，因此大多数关联分析 算法效果不佳。另一方面，用户的偏好受到不同因素的影响，具有复杂性和差异 性等特点，能否综合全面的考虑用户偏好的多样性则成为了POI 推荐的关键所 在。 为了更好的实现POI 个性化推荐，本文采用了深度神经网络的方式将POI 推荐看做序列关联的推荐问题，来较好地捕获不同用户行为的时序关系。首先， 通过分析时间、空间和上下文信息对用户行为的影响，将用户历史签到的异构数 据通过其潜在向量的低维表示，以序列的方式融合嵌入进编码的GRU 网络中。 然后，在序列到序列的框架下，将GRU 应用在POI 个性化推荐模型中。在此框 架下，由于输入序列长度的可变性容易导致信息丢失，为了解决序列过长而出现 信息损失的情况，因此提出了一种基于时空注意力的 POI 推荐模型 （Spatia-TemporalAttention for POI Recommendation, STAPR），使GRU 能更好 的适用于POI 推荐场景。在STAPR 模型中，通过全局和局部多层注意力，从不 同层面分析构建出基于空间影响的编码器部分。同样地，在解码重构的过程中， 通过引入时间注意力机制来对用户签到信息进行建模，这不单解决了随时间增长 性能下降的问题，还能更有效地对用户进行推荐。最后，为了验证模型的效果， 考虑不同密集度可能对POI模型效果的限制，本文在四个不同密集度的真实签到 数据集中进行验证。实验结果表明，STAPR 模型在不同密集度的数据集上与现 有的方法比较都具有较好的效果，且数据集的密集程度越高表现性能越好，体现 了STAPR 模型的泛化性能。 关键词:POI 推荐； 时空相关性；注意力机制；上下文信息 I Abstract With the rapid development of wearable devices, location-based social networks (LBSN)havereceived increasing attention.POI isrecommended asaresearch hotspot ofLBSN.Itprovidesuserswithpersonalized servicesthrough the analysisandmining of massive check-in data. This not only allows the platform to better understand the target audience, but also brings great convenience to users, and is therefore widely usedinvariousfields. Compared with the traditional recommendation system, POI recommendation has moretechnical challenges.On the onehand,the frequency ofuser check-in istoolow, resulting in data that is too sparse, and it cannot reflect the users dynamic movement behavior,somost association analysis algorithmsarenot effective.On the other hand, the users preference is affected