DAN-SNR：一种用于社交感知下一兴趣点推荐的深度注意力网络
社会与信息网络
2021-01-11 v1 信息检索
摘要
下一（或连续）兴趣点（POI）推荐近年来吸引了越来越多的关注。以往大多数研究试图将用户签到的时空信息与序列模式纳入推荐模型，以预测目标用户的下一动向。然而，这些方法均未利用每位用户朋友的社交影响。本研究探讨下一 POI 推荐的新课题，并提出一种用于社交感知下一 POI 推荐的深度注意力网络，称为 DAN-SNR。具体而言，DAN-SNR 利用自注意力机制而非循环神经网络架构，以统一方式建模序列影响与社交影响。此外，我们设计并实现了两条并行通道，分别捕捉短期用户偏好、长期用户偏好以及社交影响。通过多头自注意力，DAN-SNR 能高效建模任意两次历史签到之间的长距离依赖，并自适应权衡它们对下一目的地的贡献。我们还在来自两个流行基于位置的社交网络（即 Gowalla 和 Brightkite）的大规模真实数据集上进行了综合评估。实验结果表明，DAN-SNR 在推荐性能上优于七种竞争性基线方法，且在六种基于神经网络和注意力的方法中效率很高。
引用
@article{arxiv.2004.12161,
title = {DAN-SNR: A Deep Attentive Network for Social-Aware Next Point-of-Interest Recommendation},
author = {Liwei Huang and Yutao Ma and Yanbo Liu and Keqing He},
journal= {arXiv preprint arXiv:2004.12161},
year = {2021}
}
备注
25 pages, 7 figures, and 6 tables