通过POI加权模块进行全局图解缠绕以增强热点地点推荐
信息检索
2025-07-22 v1 人工智能
社会与信息网络
摘要
下一热点地点（Point of Interest, POI）推荐主要基于用户过去的签到数据和当前状态预测未来活动，对用户和服务提供者具有重要价值。我们注意到不同POI类别的热门签到时间存在差异。例如，咖啡店因人们喜欢餐后喝咖啡来提神而下午较为拥堵，而酒吧则在深夜较为繁忙。然而，现有方法很少探索POI类别与时间之间的关系，这可能导致模型无法充分学习用户在不同时间访问特定POI类别的倾向。此外，现有方法通常将时间信息转换为时间嵌入或计算时间间隔并纳入模型，难以捕捉时间的连续性。最后，在POI预测过程中，常会忽略各种加权信息，如每个POI的流行度、POI之间的转换关系以及POI之间的距离，导致性能不佳。为此，本文提出一种新型的下一POI推荐框架，称为带POI加权模块的全局图解缠绕（Graph Disentangler with POI Weighted Module, GDPW）。该框架旨在联合考虑POI类别信息和多种POI加权因素。具体而言，提出的GDPW通过全局类别图和全局类别-时间图学习类别和时间表示，然后通过对比学习解缠解耦类别和时间信息。预测后，根据POI之间的转换权重和距离关系对预测结果进行加权，获得最终的POI推荐结果。我们在两个真实数据集上进行实验，结果表明，提出的GDPW优于其他现有模型，性能提升3%至11%。
引用
@article{arxiv.2507.14612,
title = {Enhancing POI Recommendation through Global Graph Disentanglement with POI Weighted Module},
author = {Pei-Xuan Li and Wei-Yun Liang and Fandel Lin and Hsun-Ping Hsieh},
journal= {arXiv preprint arXiv:2507.14612},
year = {2025}
}