用于下一个POI推荐的双层图结构学习
机器学习
2024-11-05 v1 人工智能
社会与信息网络
摘要
下一个兴趣点（POI）推荐旨在基于序列签到历史和一组POI候选来预测用户的下一个目的地。图神经网络（GNN）通过利用POI之间广泛的全局协同信号，在该任务中展现了显著能力。然而，大多数现有的基于图的方法基于预定义启发式构建图结构，未能考虑POI特征的固有层次结构（如地理位置和访问峰值），或遭受图中噪声和不完整结构的困扰。为解决上述问题，本文提出了一种新颖的双层图结构学习（BiGSL）方法用于下一个POI推荐。BiGSL首先学习层次化图结构以捕捉POI与原型之间的细粒度到粗粒度的连通性，然后使用成对学习模块动态推断POI对和原型对之间的关系。基于所学的双层图，我们的模型采用多关系图网络，同时考虑POI层面和原型层面的邻居，从而获得增强的POI表示。我们的双层结构学习方案对数据噪声和不完整性更具鲁棒性，并通过缓解稀疏性问题提升了推荐的探索能力。在三个真实数据集上的实验结果表明我们的模型优于现有最先进方法，在推荐准确性和探索性能上均有显著提升。
引用
@article{arxiv.2411.01169,
title = {Bi-Level Graph Structure Learning for Next POI Recommendation},
author = {Liang Wang and Shu Wu and Qiang Liu and Yanqiao Zhu and Xiang Tao and Mengdi Zhang and Liang Wang},
journal= {arXiv preprint arXiv:2411.01169},
year = {2024}
}
备注
Accepted by IEEE Transactions on Knowledge and Data Engineering