基于扩散模型的云-边-设备协作学习用于下一站 POI 推荐
信息检索
2024-05-24 v1
摘要
位置基于社交网络 (LBSNs) 的快速扩张凸显了有效的下一站点兴趣点 (POI) 推荐的重要性，这类推荐利用历史签到数据来预测用户下一个要访问的 POI。传统的集中式深度神经网络 (DNN) 虽然在 POI 推荐性能方面表现突出，但因隐私问题和时效性受限面临挑战。应对方案是引入基于设备的 POI 推荐，利用联邦学习 (FL) 和去中心化方法来确保隐私和推荐的时效性。然而，这些方法常常在设备上计算负担沉重，且难以适应新用户和新地区。本文引入一种新型协作学习框架，即 Diffusion-Based Cloud-Edge-Device Collaborative Learning for Next POI Recommendations (DCPR)，该框架利用已在多个领域取得成功的扩散模型。DCPR 采用云-边-设备架构，为地区特定和高度个人化的 POI 推荐提供支持，同时减轻设备上的计算负担。DCPR 通过全球学习与本地学习的独特组合来最小化设备上的计算需求。我们的评估使用两个真实数据集表明，DCPR 在推荐准确率、效率以及对新用户和新地区的适应性方面均表现优异，标志着下一站 POI 推荐技术的重要进步。
引用
@article{arxiv.2405.13811,
title = {Diffusion-Based Cloud-Edge-Device Collaborative Learning for Next POI Recommendations},
author = {Jing Long and Guanhua Ye and Tong Chen and Yang Wang and Meng Wang and Hongzhi Yin},
journal= {arXiv preprint arXiv:2405.13811},
year = {2024}
}