基于上下文感知注意力的POI推荐数据增强方法
信息检索
2021-07-01 v1
摘要
随着基于位置的社交网络(LBSNs)的快速增长，兴趣点(POI)推荐在本十年中已被广泛研究。近来，下一POI推荐作为POI推荐的自然延伸，引起了大量关注。其旨在空间与时间上下文中向用户推荐下一POI，这是各类应用中一项实用却具挑战性的任务。现有方法主要建模空间与时间信息，并通过用户轨迹记忆历史模式以进行推荐。然而，它们深受缺失与不规则签到数据的负面影响，显著影响了模型性能。本文中，我们提出一种基于注意力的序列到序列生成模型，即POI增强Seq2Seq(PA-Seq2Seq)，通过使签到记录均匀间隔来解决训练集的稀疏性。具体而言，编码器汇总各签到序列，解码器基于编码信息预测可能的缺失签到。为学习时间感知的用户历史关联，我们采用局部注意力机制，帮助解码器在预测某一缺失签到点时聚焦于特定范围的上下文信息。我们在两个真实世界签到数据集Gowalla与Brightkite上进行了大量实验，以评估性能与有效性。
引用
@article{arxiv.2106.15984,
title = {Context-Aware Attention-Based Data Augmentation for POI Recommendation},
author = {Yang Li and Yadan Luo and Zheng Zhang and Shazia W. Sadiq and Peng Cui},
journal= {arXiv preprint arXiv:2106.15984},
year = {2021}
}