面向下一兴趣点推荐的时空上下文聚合分层Transformer
信息检索
2023-10-24 v1
摘要
下一兴趣点(POI)推荐是基于位置的社交网络中的一项关键任务,但由于用户移动表现出高度的变异性和个性化,该任务仍然具有挑战性。在本工作中,我们探索由用户签到序列中多粒度短期结构模式组成的潜在分层结构。我们提出了一种用于下一POI推荐的时空上下文聚合分层Transformer(Spatial-Temporal context AggRegated Hierarchical Transformer, STAR-HiT),其采用堆叠的分层编码器递归编码时空上下文并显式定位不同粒度的子序列。更具体地,在每个编码器中,全局注意力层捕获序列的时空上下文,而在每个子序列内执行的局部注意力层利用局部上下文增强子序列建模。序列划分层从全局上下文自适应地推断子序列的位置和长度,从而可以很好地保留子序列中的语义。最后,子序列聚合层融合每个子序列内的表示以形成相应的子序列表示,从而生成更高粒度级别的新序列。编码器的堆叠捕获了签到序列的潜在分层结构,用于预测下一个访问的POI。在三个公开数据集上的大量实验表明,所提出的模型取得了优越的性能,同时为推荐提供了可解释性。代码可在 https://github.com/JennyXieJiayi/STAR-HiT 获取。
引用
@article{arxiv.2209.01559,
title = {Hierarchical Transformer with Spatio-Temporal Context Aggregation for Next Point-of-Interest Recommendation},
author = {Jiayi Xie and Zhenzhong Chen},
journal= {arXiv preprint arXiv:2209.01559},
year = {2023}
}