用于鲁棒POI推荐的贝叶斯增强多视图注意力网络
信息检索
2023-11-02 v1 人工智能
社会与信息网络
摘要
POI推荐对于促进各种基于位置的社交网络服务具有实际重要性，近来吸引了日益增长的研究关注。现有工作通常假设用户报告的可用POI签到是用户行为的真实刻画。然而，在实际应用场景中，由于包括定位误差和用户隐私顾虑在内的主客观原因，签到数据可能相当不可靠，对POI推荐性能产生显著负面影响。为此，我们通过考虑用户签到的不确定性因素，研究了一种鲁棒POI推荐的新问题，并提出了一种贝叶斯增强多视图注意力网络（BayMAN）。具体而言，我们构建个人POI转移图、基于语义的POI图和基于距离的POI图，以全面建模POI之间的依赖关系。由于个人POI转移图通常稀疏且对噪声敏感，我们设计了一个贝叶斯增强的空间依赖学习模块，用于从局部视角进行数据增强。采用贝叶斯后验引导的图增强方法生成带有协同信号的新图，以增加数据多样性。随后，原始图和增强图均用于POI表示学习，以抵消数据不确定性问题。接下来，三个视图图的POI表示被输入到所提出的基于多视图注意力的用户偏好学习模块中。通过纳入POI的语义和距离相关性，用户偏好可有效被精炼，最终获得鲁棒的推荐结果。大量实验结果表明，在可用签到不完整且含噪声时，BayMAN在POI推荐中显著优于最先进的方法。
引用
@article{arxiv.2311.00491,
title = {Bayes-enhanced Multi-view Attention Networks for Robust POI Recommendation},
author = {Jiangnan Xia and Yu Yang and Senzhang Wang and Hongzhi Yin and Jiannong Cao and Philip S. Yu},
journal= {arXiv preprint arXiv:2311.00491},
year = {2023}
}