随着海量移动数据的积累, 下一个兴趣点推荐已成为基于位置的社交网络中的一项重要任务. 目前, 主流方法倾向于从用户近期的签到序列中捕捉局部动态偏好, 但忽略了历史移动数据蕴含的全局静态信息, 从而阻碍了对用户偏好的进一步挖掘, 影响了推荐的准确性. 为此, 提出一种基于全局和局部特征融合的下一个兴趣点推荐方法. 该方法利用签到序列中的顺序依赖和全局静态信息中用户与兴趣点之间、连续签到之间隐藏的关联关系建模用户移动行为. 首先, 引入两类全局静态信息, 即User-POI关联路径和POI-POI关联路径, 学习用户的全局静态偏好和连续签到之间的全局依赖关系. 具体地, 利用交互数据以及地理信息构建异构信息网络, 设计关联关系表示学习方法, 利用相关度引导的路径采样策略以及层级注意力机制获取全局静态特征. 然后, 基于两类全局静态特征更新签到序列中的兴趣点表示, 并采用位置与时间间隔感知的自注意力机制来捕捉用户签到序列中签到之间的局部顺序依赖, 进而评估用户访问兴趣点概率, 实现下一个兴趣点推荐. 最后, 在两个真实数据集上进行了实验比较与分析, 验证了所提方法能够有效提升下一个兴趣点推荐的准确性. 此外, 案例分析表明, 建模显式路径有助于提供可解释的推荐结果.
As considerable amounts of mobility data have been accumulated, next point-of-interest (POI) recommendation has become one of the important tasks in location-based social networks. Existing approaches for next POI recommendation mainly focus on capturing local dynamic preferences from user's recent check-in records, but ignore global static information in historical mobility data. As a result, it prevents further mining of user's preferences and limits the recommendation accuracy. To this end, a global and local feature fusion based approach is proposed for next POI recommendation (GLNR). GLNR can model user dynamic behavior by taking advantage of the sequential dependencies between check-ins and the underlying relationships between entities contained in global static information. Two types of global static information are firstly introduced, i.e., user-POI association paths and POI-POI association paths, to learn user's global static preferences and the global dependency between successive check-ins. Specifically, a heterogeneous information network is constructed based on interactive data and geographical information. To capture global static features, a relevance-guided path sampling strategy and a hierarchical attention based representation learning method are designed. Moreover, the representations of POIs in the user's check-in sequence are updated based on the two types of global static features. Position and time interval aware self-attention mechanism are further utilized to model the sequential dependency between multiple check-ins. Then, the check-in probability is predicted and a set of next POIs is recommended for the target user. Finally, the extensive experiments are conducted on two real-world datasets to evaluate the performance of the proposed model GLNR. Experimental results validate the superiority of GLNR for improving recommendation accuracy. Besides, the case study indicates that the explicit paths in the global static information help GLNR to provide interpretable recommendations.
随着智能移动设备的普及, 基于位置的社交网络(location-based social networks, LBSNs)受到广泛关注, 如Foursquare、Gowalla等. LBSNs将网络空间与物理世界联系在一起, 用户可以访问兴趣点(point-of-interest, POI), 如餐厅、商场和博物馆等, 同时通过发布兴趣点签到来分享生活经历. LBSNs产生的海量移动数据可用于用户建模和个性化服务, 进而催生了学术界对兴趣点推荐的研究. 为用户推荐感兴趣的位置不仅可以改善用户体验、提高平台服务质量, 而且还能促进商户进行有针对性的广告宣传, 提升商户效益.
针对传统的兴趣点推荐任务, 典型的方法是利用协同过滤挖掘用户偏好[
用户移动行为示例
在实际情况中, 用户的下一个移动行为不仅与局部动态信息有关, 也会受到历史移动数据中全局静态信息的影响. 例如, 从全局角度分析
为此, 本文提出了基于全局和局部特征融合的下一个兴趣点推荐方法GLNR (global and local feature fusion based approach for next poi recommendation). 与单纯地联合局部动态偏好和全局静态特征不同, 该方法将全局静态特征融合到用户动态行为建模中.
● 首先, 鉴于异构信息网络[
● 其次, 为了捕捉用户的全局静态偏好以及连续签到之间的全局依赖关系, 从全局结构中提取两类静态特征, 设计了一种表示学习方法URRL (underlying relation representation learning). 具体地, 基于具有明确语义信息的元路径提取结构化特征, 采用相关度引导的路径采样策略生成实例路径, 同时设计层级注意力机制实现实例路径的集成, 进而得到实体间关联关系的表示, 实例路径的贡献度将作为元路径的权值;
● 最后, 在建模用户动态行为时, 将两类全局静态特征引入到学习用户行为的顺序依赖中, 采用位置与时间间隔感知的自注意力机制捕捉用户签到之间的内在联系.结合全局静态信息与用户签到序列, 有助于探索在不同时间步上复杂的用户偏好, 提升推荐结果的有效性.
此外, 通过建模User-POI和POI-POI的显式关联路径, 赋予了GLNR可解释能力. 在两个真实数据集上的实验结果表明: GLNR有效提升了推荐的准确性, 同时增强了模型的透明度和可解释性.
本文第1节回顾目前传统的兴趣点推荐、下一个兴趣点推荐的研究成果. 第2节介绍相关定义, 并提出一种基于全局和局部特征融合的下一个兴趣点推荐方法. 第3节通过对比实验和案例分析以验证所提方法的准确性及可解释性. 第4节对本文的主要工作进行总结与展望.
在本节中, 从传统的兴趣点推荐和下一个兴趣点推荐两个方面来介绍相关工作.
针对传统的兴趣点推荐任务, 研究者们提出了大量方法. 其中, 主流方法侧重于将协同过滤扩展到兴趣点推荐任务中. Ye等人[
为缓解用户签到记录稀疏的问题, 研究者们将辅助数据融入到兴趣点推荐中[
随着对兴趣点推荐领域的深入探索, 下一个兴趣点推荐逐渐成为热点的研究问题. 与传统的兴趣点推荐任务相比, 下一个兴趣点推荐主要基于用户与兴趣点的交互序列, 探索用户的下一步决策. 在短期内, 用户产生的连续签到具有很强的顺序模式. 为挖掘用户移动行为中偏好的演变, 研究者们提出了基于顺序依赖性捕捉的推荐方法, 进而更加精准地为用户推荐下一个兴趣点. Cheng等人[
此外, 鉴于深度学习在序列预测任务上的成功应用, 循环神经网络、卷积神经网络等深度学习技术被扩展到下一个兴趣点推荐任务中. Liu等人[
尽管上述方法在一定程度上提升了下一个兴趣点推荐的准确性, 但仍存在一定的局限性: 一方面, 仅基于签到的顺序依赖捕捉用户的局部动态偏好, 忽略了用户长期稳定的全局静态偏好以及连续签到之间隐藏的全局依赖关系; 另一方面, 缺乏推荐下一个兴趣点的解释能力.
与已有的下一个兴趣点推荐方法不同, 本文提出了GLNR方法, 融合用户签到之间的顺序依赖性和全局静态信息中蕴含的实体间关联关系来捕捉复杂的用户偏好, 进而提升推荐性能.
● 首先, 为了获取全局结构, 基于交互数据及地理信息构建异构信息网络
● 其次, 设计了表示学习方法URRL, 学习实体间的关联关系表示, 从全局结构中提取静态特征. 为了构建基于元路径的上下文, 我们提出了相关度引导的路径采样策略, 生成高质量的元路径实例. 进一步提出了层级注意力机制集成实例路径, 获得实体间关联关系表示, 将实例路径的贡献度作为元路径的权值;
● 然后, 利用URRL方法从两类全局静态信息中提取全局静态偏好和连续签到之间的全局依赖关系, 即User-POI关联关系表示和POI-POI关联关系表示;
● 最后, 结合两类全局静态特征更新签到序列中的兴趣点表示, 并将其提供给推荐网络来捕捉用户移动行为的动态性, 实现下一个兴趣点推荐.
GLNR的整体框架如
GLNR框架图
元路径模式下有多条实例路径. 对于路径
在异构信息网络中, 若存在路径使得实体
构建异构信息网络的目的是: 利用多种类型的上下文信息, 提高模型的推荐性能及可解释能力. 与其他推荐任务(如商品推荐)相比, 地理信息对于下一个兴趣点推荐是至关重要的. 然而, 现有的基于用户与兴趣点交互图的结构未能捕捉到地理影响. 为了解决这一问题, 我们构建融合兴趣点地理信息的异构信息网络
异构信息网络示例
用户与兴趣点的交互边
兴趣点与区域的地理隶属边
由于一些数据集缺乏实际地理区域信息, 无法直接获取兴趣点所属区域. 为此, 我们采用空间划分方法整合地理信息. 多种方法可用于生成区域划分结果, 在本文工作中, 我们采用常用的四叉树结构, 既能够使邻近的兴趣点划分到同一个区域, 又能捕捉区域之间的相邻关系. 首先, 将所有兴趣点构成的空间作为初始数据空间; 然后, 将数据空间递归地划分为4个相等的子空间, 直到子空间边长小于阈值
将各实体的独热编码(one-hot)表示作为全连接嵌入层的输入, 利用潜在特征矩阵将输入的稀疏表示映射为稠密向量. 为了预训练
其中, 条件概率
具有明确语义信息的元路径有助于表达实体间的关联关系. 然而, 在获取元路径实例时,
具体来说, 给定元路径模式
在计算实体
其中,
其中,
基于更新后的实体
通过相关度引导的路径探索, 我们可以为任意实体对(
为了学习实体间的关联关系表示, 进而提取全局静态特征, 我们对实体间的关联路径进行集成. 然而, 简单地使用平均池化操作集成路径信息存在较大缺陷: 首先, 忽略路径中各实体的重要性, 会限制路径的表示能力; 其次, 关联路径之间的差异性对实体间关联关系的表示至关重要. 因此, 我们设计了基于层级注意力机制的关联路径集成方法, 从微观和宏观两个层级, 分别捕捉路径中实体间的组合特征以及各实例路径的贡献度.
微观层级上, 对于每条关联路径, 利用路径中的实体来生成路径的表示向量. 自注意力机制[
其中,
其中, ReLU为非线性激活函数,
其中,
其中,
宏观层级上, 不同关联路径的高阶信息具有差异性, 对于实体间关联关系表示具有不同的贡献度.
● 一方面, 多个元路径模式蕴含了多种语义信息, 以元路径UVUV和UVSV为例: UVUV蕴含了基于协作的关联关系, 这是指与用户有相似签到记录的其他用户访问了目标兴趣点; UVSV蕴含了基于地理特征的关联关系, 这是指用户在目标兴趣点附近有签到记录;
● 另一方面, 相同元路径的多个实例之间也存在差异, 例如元路径UVUV的两条实例路径
因此, 在学习实体间的关联关系表示时, 采用宏观层级注意力机制, 学习各路径对实体间关联关系的贡献度:
其中,
实例路径的贡献度将作为元路径的权值用于解释推荐结果.
本文提出的GLNR框架基于两类全局静态信息以及用户签到序列来捕捉用户的移动偏好: 首先, 采用URRL方法, 从User-POI元路径实例和POI-POI元路径实例中分别学习用户对兴趣点的全局静态偏好和连续签到之间的全局依赖关系; 进而, 利用提取到的两类全局静态特征更新签到序列中的兴趣点表示. 具体地, 给定用户
其中, ⊕表示连接操作. 基于更新后的兴趣点表示向量, 可形成签到序列的表示矩阵
鉴于Transformer模型在机器翻译领域中的优异表现, 其采用的自注意力机制被广泛应用于序列推荐任务中, 并获得了优于循环神经网络等方法的推荐性能[
其中,
为了预测第
采用一个双隐层MLP将
其中,
基于正样本和负样本, 我们使用交叉熵损失来学习模型参数. 将观察到的用户移动行为视为正样本, 反之视为负样本. 在传统交叉熵的损失函数中, 需要为每一个正样本计算所有负样本, 由于正样本和负样本存在比例不平衡的问题, 很难优化交叉熵损失. 对于成对损失函数, 只需计算一个正样本和一个负样本, 然而这会导致许多样本在整个训练过程中均未被使用. 受到Luo等人[
其中,
我们在两个公开的LBSNs数据集上进行实验评估[
数据集统计信息
数据集 | #用户 | #兴趣点 | #签到 | 稠密度(%) |
Foursquare | 2 321 | 5 596 | 194 108 | 1.494 |
Gowalla | 10 162 | 24 250 | 456 988 | 0.185 |
本文中, 我们采用常用的评价指标, 即召回率Recall和归一化折损累计增益NDCG (normalized discounted cumulative gain), 以评估下一个兴趣点推荐方法的性能. 这两个评价指标也被广泛应用于之前的研究工作中[
我们将所提方法GLNR与基于异构图的兴趣点推荐方法(LightGCN[
● LightGCN[
● STGCN[
● ST-RNN[
● FPMC[
● PRME[
● POI2Vec[
● STGN[
● ASGNN[
为了移除异常数据, 对于两个数据集, 均删除少于5个访问记录的兴趣点和用户. 与现有工作[
为了评估基于全局和局部特征融合的下一个兴趣点推荐方法GLNR的准确性, 我们研究了以下两个问题.
● RQ1: GLNR是否可以获得比其他基线方法更好的推荐结果?
● RQ2: GLNR的各个模块是否均能带来性能增益?
为了验证这个问题的结果, 我们分别在Foursquare和Gowalla两个数据集上将GLNR方法与7个基线方法进行了对比实验, 实验结果见
在Fouraquare数据集上的性能比较
方法 | Recall@5 | Recall@10 | Recall@20 | NDCG@5 | NDCG@10 | NDCG@20 |
LightGCN | 0.143 0 | 0.179 5 | 0.231 6 | 0.056 2 | 0.045 1 | 0.035 9 |
STGCN | 0.145 9 | 0.181 2 | 0.232 8 | 0.059 6 | 0.047 5 | 0.036 4 |
ST-RNN | 0.137 5 | 0.170 7 | 0.224 1 | 0.053 9 | 0.046 1 | 0.035 7 |
FPMC | 0.112 5 | 0.160 6 | 0.217 7 | 0.039 2 | 0.034 7 | 0.027 2 |
PRME | 0.124 1 | 0.164 4 | 0.219 8 | 0.057 8 | 0.042 1 | 0.033 6 |
POI2Vec | 0.143 3 | 0.174 5 | 0.204 7 | 0.061 1 | 0.045 5 | 0.033 2 |
STGN | 0.157 6 | 0.195 8 | 0.246 2 | 0.064 7 | 0.052 4 | 0.039 5 |
ASGNN | 0.158 1 | 0.201 5 | 0.250 3 | 0.065 1 | 0.054 2 | 0.040 2 |
GLNR |
在Gowalla数据集上的性能比较
方法 | Recall@5 | Recall@10 | Recall@20 | NDCG@5 | NDCG@10 | NDCG@20 |
LightGCN | 0.132 7 | 0.180 9 | 0.215 4 | 0.051 0 | 0.044 1 | 0.034 5 |
STGCN | 0.136 7 | 0.182 5 | 0.218 1 | 0.053 7 | 0.046 5 | 0.037 1 |
ST-RNN | 0.128 1 | 0.162 3 | 0.201 8 | 0.041 2 | 0.036 5 | 0.028 7 |
FPMC | 0.093 7 | 0.127 6 | 0.169 6 | 0.037 7 | 0.027 5 | 0.021 9 |
PRME | 0.121 6 | 0.153 9 | 0.185 5 | 0.043 2 | 0.0373 | 0.029 3 |
POI2Vec | 0.140 5 | 0.179 4 | 0.219 8 | 0.054 3 | 0.048 1 | 0.037 8 |
STGN | 0.144 2 | 0.192 6 | 0.231 5 | 0.056 5 | 0.049 4 | 0.038 9 |
ASGNN | 0.132 5 | 0.189 3 | 0.227 8 | 0.054 7 | 0.047 6 | 0.037 2 |
GLNR |
与下一个兴趣点推荐方法ST-RNN、FPMC、PRME、POI2Vec、STGN以及ASGNN相比, 所提方法GLNR有着显著的性能优势: 在Foursquare数据集上, 与最优基线方法相比, GLNR提升了Recall和NDCG的7.81%和13.7%(3种
与基于异构图的兴趣点推荐方法相比, 根据Recall和NDCG的评估结果, 所提方法GLNR在两个数据集上均优于LightGCN和STGCN: 在Foursquare数据集上, 与STGCN相比, GLNR提升了Recall的17.5%以及NDCG的26.5%; 在Gowalla数据集上, GLNR同样具有显著的性能增益. 尽管将LightGCN和STGCN扩展到下一个兴趣点推荐任务中也给出了较优的推荐结果, 但是用户移动行为的动态性在建模用户行为模式上发挥着关键作用, 而基于异构图的兴趣点推荐方法无法学习用户连续签到之间的顺序依赖, 从而限制了下一个兴趣点推荐的性能. 同时, GLNR能够捕捉连续签到之间隐藏的依赖关系, 利用POI-POI关联关系, 有助于提高推荐性能.
综上, GLNR显著优于已有的下一个兴趣点推荐方法, 并相对于基于异构图的兴趣点推荐方法更适用于下一个兴趣点推荐任务.
为了进一步探究GLNR的各个模块对模型性能的影响, 我们分别对GLNR进行了不同变换, 获得了以下变体方法以进行对比实验.
● GLNR-G: 在构建异构信息网络时, 仅使用用户与兴趣点的交互信息构建二分图, 忽略地理信息;
● GLNR-C: 采用随机元路径引导的采样策略生成实体间关联路径, 忽略实体间的相关度;
● GLNR-MI: 使用平均池化操作聚合路径中实体, 以生成路径表示向量, 忽略微观层级注意力机制;
● GLNR-MA: 将不同关联路径对实体间关联关系表示的贡献度视为均等, 忽略宏观层级注意力机制;
● GLNR-S: 捕捉用户移动行为的顺序模式, 以推断用户的动态偏好, 忽略全局静态信息;
● GLNR-D: 通过从全局结构中提取静态特征来推荐兴趣点, 忽略用户移动行为的顺序依赖性.
在Fouraquare数据集上GLNR及其变体的性能比较
在Gowalla数据集上GLNR及其变体的性能比较
(1) 在两个数据集上, GLNR的推荐性能均显著优于这几种变体. 验证了本文提出的这些模块彼此之间不冲突, 且均有助于提高模型的推荐性能;
(2) GLNR-G删除地理信息导致性能下降. 由于下一兴趣点推荐任务与地理因素密切相关, GLNR利用地理信息促进实现更加精准地进行推荐;
(3) 尽管GLNR-C具有较好的推荐性能, 但仍明显不如GLNR. 与GLNR-C不同, GLNR采用基于相关度引导的采样策略生成元路径实例, 证明了本文提出的采样策略的有效性;
(4) 层级注意力机制能够更好地集成路径信息: 首先, 路径中每个实体的重要性不同, GLNR-MI忽略实体重要性未能有效捕捉路径中实体间的组合特征; 其次, 不同的关联路径对实体间关联关系表示的影响存在差异, GLNR-MA忽略这种差异无法实现路径集成的最佳性能;
(5) GLNR相对于GLNR-S和GLNR-D有较大优势. 这说明全面学习用户偏好对下一个兴趣点推荐具有重要影响, 验证了融合全局和局部特征的必要性.
通过将全局静态信息引入到下一个兴趣点推荐中, 不仅可以提升推荐性能, 而且能够增加模型的透明度和可解释性. 为了展示GLNR的可解释能力, 我们给出了一个案例并提供了可视化的解释.
从Foursquare数据集中随机选择一个用户, 将该用户的签到序列作为GLNR的输入, 进而获得最佳的推荐结果, 如
GLNR可解释性案例
下面我们从3个方面进行观察与分析.
(1) 从用户的动态交互行为角度, GLNR有助于我们了解用户做出下一步决策的原因. 例如: 对于推荐结果兴趣点2970,
(2) 从用户的静态偏好角度, 捕捉用户1916和兴趣点2970之间的关联关系.
(3) 从连续签到角度, 我们进一步展示了兴趣点23与兴趣点2970之间的关联关系. 同样地, 我们给出元路径的注意力权重分布. 可以观察到, VSV具有更高的注意力权重. 元路径模式VSV表明, 两次签到位于相同区域, 体现了连续签到之间的地理关联. 因此, 可以将VSV作为代表性元路径模式来理解用户的连续签到行为.
为了充分探讨所提方法GLNR受嵌入维度大小、区域边长阈值以及负样本数量的影响状况, 分别在两个数据集上分析不同参数对性能带来的影响. 具体而言, 我们展示了在Foursquare数据集和Gowalla数据集上, GLNR随着参数的不同, 其性能的变化趋势. 以评价指标Recall@5为例,
GLNR在不同嵌入维度大小下的性能变化
GLNR在不同区域边长阈值下的性能变化
GLNR在不同负样本数量下的性能变化
在
为了评估区域边长阈值
本文提出一种基于全局和局部特征融合的下一个兴趣点推荐方法GLNR, 该方法融合用户签到之间的局部顺序依赖性和全局静态信息中蕴含的实体间关联关系来捕捉复杂的用户偏好: 首先, 构建异构信息网络, 并获得网络中实体的嵌入表示; 然后, 设计表示学习模块, 基于相关度引导的路径采样策略以及层级注意力机制学习实体间的关联关系, 以从全局结构中提取两类静态特征; 最后, 基于提取到的两类全局静态特征更新签到序列中的兴趣点表示, 并采用位置与时间间隔感知的自注意力机制捕捉用户签到之间的顺序依赖, 建模用户移动行为. 进而评估用户访问兴趣点概率, 实现下一个兴趣点推荐. 在两个真实数据集上的实验结果表明: GLNR的推荐结果在多个指标上均优于基线方法, 并具有一定程度的可解释性.
在接下来的工作中, 我们将在下一个兴趣点推荐问题上考虑利用更丰富的辅助数据, 基于丰富的辅助数据构建异构信息网络有助于进一步挖掘全局静态特征, 从而准确地预测用户移动行为.
Ye M, Yin P, Lee W, Lee DL. Exploiting geographical influence for collaborative point-of-interest recommendation. In: Proc. of the 34th Int'l ACM SIGIR Conf. on Research and Development in Information Retrieval. New York: ACM, 2011. 325−334.
Meng XF, Zhang XY, Tang YH, Jia D, Qi XY, Mao Y. A diversified and personalized recommendation approach based on geo- social relationships. Ji Suan Ji Xue Bao/Chinese Journal of Computers, 2019, 42(11): 2574−2590 (in Chinese with English abstract). http://cjc.ict.ac.cn/online/onlinepaper/mxf-20191114101240.pdf [doi: 10.11897/SP.J.1016.2019.02574]
孟祥福, 张霄雁, 唐延欢, 等. 基于地理-社会关系的多样性与个性化兴趣点推荐. 计算机学报, 2019, 42(11): 2574−2590. http://cjc.ict.ac.cn/online/onlinepaper/mxf-20191114101240.pdf [doi: 10.11897/SP.J.1016.2019.02574].
Liu X, Liu Y, Aberer K, Miao CY. Personalized point-of-interest recommendation by mining users' preference transition. In: Proc. of the 22nd ACM Int'l Conf. on Information and Knowledge Management. New York: ACM, 2013. 733−738.
Hu R, Lu X, Liu C, Li Y, Xiong X. Why we go where we go: Profiling user decisions on choosing pois. In: Proc. of the 29th Int'l Joint Conf. on Artificial Intelligence. Menlo Park: AAAI, 2020. 3459−3465.
Wang X, He X, Wang M, Feng F, Chua TS. Neural graph collaborative filtering. In: Proc. of the 42nd Int'l ACM SIGIR Conf. on Research and Development in Information Retrieval. New York: ACM, 2019. 165−174.
He X, Deng K, Wang X, Li Y, Zhang YD, Wang M. LightGCN: Simplifying and powering graph convolution network for recommendation. In: Proc. of the 42nd Int'l ACM SIGIR Conf. on Research and Development in Information Retrieval. New York: ACM, 2020. 639−648.
Yuan Q, Cong G, Sun A. Graph-based point-of-interest recommendation with geographical and temporal influences. In: Proc. of the 22nd ACM Int'l Conf. on Information and Knowledge Management. New York: ACM, 2014. 659−668.
Meng XW, Li RC, Zhang YJ, Ji WY. Survey on mobile recommender systems based on user trajectory data. Ruan Jian Xue Bao/ Journal of Software, 2018, 29(10): 3111−3133 (in Chinese with English abstract). http://www.jos.org.cn/1000-9825/5608.htm [doi: 10.13328/j.cnki.jos.005608]
孟祥武, 李瑞昌, 张玉洁, 纪威宇. 基于用户轨迹数据的移动推荐系统研究. 软件学报, 2018, 29(10): 3111−3133. http://www.jos.org.cn/1000-9825/5608.htm [doi: 10.13328/j.cnki.jos.005608].
Liu Q, Wu S, Wang L, Tan T. Predicting the next location: A recurrent model with spatial and temporal contexts. In: Proc. of the 30th AAAI Conf. on Artificial Intelligence. Menlo Park: AAAI, 2016. 194−200.
Cheng C, Yang H, Lyu MR, King L. Where you like to go next: Successive point-of-interest recommendation. In: Proc. of the 23rd Int'l Joint Conf. on Artificial Intelligence. Menlo Park: AAAI, 2013. 2605−2611.
Feng S, Li X, Zeng Y, Cong G, Chee YM, Yuan Q. Personalized ranking metric embedding for next new POI recommendation. In: Proc. of the 24th Int'l Joint Conf. on Artificial Intelligence. Menlo Park: AAAI, 2015. 2069−2075.
Wu S, Zhang Y, Gao C, Bian K, Cui B. GARG: Anonymous recommendation of point-of-interestin mobile networks by graph convolution network. Data Science and Engineering, 2020, 5(4): 433−447.
Zhang Z, Li C, Wu Z, Sun A, Ye D, Luo X. Next: A neural network framework for next poi recommendation. Frontiers of Computer Science, 2020, 14(2): 314−333.
Feng S, Cong G, An B, Chee YM. POI2Vec: Geographical latent representation for predicting future visitors. In: Proc. of the 31st AAAI Conf. on Artificial Intelligence. Menlo Park: AAAI, 2017. 102−108.
Kong D, Wu F. HST-LSTM: A hierarchical spatial-temporal long-short term memory network for location prediction. In: Proc. of the 27th Int'l Joint Conf. on Artificial Intelligence. Menlo Park: AAAI, 2018. 2341−2347.
Sun K, Qian T, Chen T, Liang Y, Nguyen Q, Yin H. Where to go next: Modeling long- and short-term user preferences for point-of-interest recommendation. In: Proc. of the 34th AAAI Conf. on ArtificialIntelligence. Menlo Park: AAAI, 2020. 214−221.
Zhao P, Zhu H, Liu Y, Xu J, Li Z, Zhuang F, Sheng VS, Zhou X. Where to go next: A spatio-temporal gated network for next POI recommendation. In: Proc. of the 33rd AAAI Conf. on Artificial Intelligence. Menlo Park: AAAI, 2019. 5877−5884.
Wang D, Wang X, Xiang Z, Yu D, Deng S, Xu G. Attentive sequential model based on graph neural network for next POI recommendation. World Wide Web, 2021, 24(6): 2161−2184.
Shi C, Li Y, Zhang J, Sun Y, Yu PS. A survey of heterogeneous information network analysis. IEEE Trans. on Knowledge and Data Engineering, 2017, 29(1): 17−37.
Zhang Y, Chen X. Explainable recommendation: A survey and new perspectives. Foundations and Trends in Information Retrieval, 2020, 14(1): 1−101.
Zhao H, Yao Q, Li J, Song Y, Lee DL. Meta-graph based recommendation fusion over heterogeneous information networks. In: Proc. of the 23rd ACM SIGKDD Int'l Conf. on Knowledge Discovery & Data Mining. New York: ACM, 2017. 635−644.
Su Y, Li X, Zha D, Tang W, Jiang Y, Xiang J, Gao N. HREC: Heterogeneous graph embedding-based personalized point-of- interest recommendation. In: Proc. of the 26th Int'l Conf. on Neural Information Processing. Berlin: Springer, 2019. 37−49.
Han H, Zhang M, Hou M, Zhang F, Wang Z, Chen E, Wang H, Ma J, Liu Q. STGCN: A spatial-temporal aware graph learning method for poi recommendation. In: Proc. of the 20th IEEE Int'l Conf. on Data Mining. Piscataway: IEEE, 2020. 1052−1057.
Dong Y, Chawla NV, Swami A. Metapath2vec: Scalable representation learning for heterogeneous networks. In: Proc. of the 23rd ACM SIGKDD Int'l Conf. on Knowledge Discovery and Data Mining. New York: ACM, 2017. 135−144.
Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser L, Polosukhin I. Attention is all you need. In: Proc. of the 29th Int'l Conf. on Neural Information Processing Systems. New York: MIT, 2017. 5998−6008.
Ba JL, Kiros JR, Hinton GE. Layer normalization. arXiv: 1607.06450, 2016.
Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R. Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 2014, 15(1): 1929−1958.
He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. In: Proc. of the 2016 IEEE Conf. on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2016. 770−778.
Li J, Wang Y, McAuley J. Time interval aware self-attention for sequential recommendation. In: Proc. of the 13th ACM Int'l Conf. on Web Search and Data Mining. New York: ACM, 2020. 322−330.
Luo Y, Liu Q, Liu Z. STAN: Spatio-temporal attention network for next point-of-interest recommendation. In: Proc. of the 30th Int'l Conf. on World Wide Web. New York: ACM, 2021. 2177−2185.