基于核的子结构探索用于下一 POI 推荐
机器学习
2022-10-11 v1 人工智能
信息检索
社会与信息网络
摘要
兴趣点（POI）推荐受益于支持 GPS 的设备与基于位置的社交网络（LBSNs）的普及，在推荐系统中扮演着日益重要的角色。其旨在基于先前的访问与当前状态，为用户发现感兴趣访问地点的便利。大多数现有方法通常仅利用循环神经网络（RNNs）探索序列影响以进行推荐。尽管有效，这些方法不仅忽略了 POI 间拓扑地理影响，也未能建模高阶序列子结构。为解决上述问题，我们提出一种基于核的图神经网络（KBGNN）用于下一 POI 推荐，它以协作方式结合了地理与序列影响的特征。KBGNN 由地理模块与序列模块组成。一方面，我们构建地理图并利用消息传递神经网络捕获拓扑地理影响。另一方面，我们在用户感知序列图中利用图核神经网络探索高阶序列子结构以捕获用户偏好。最后，引入一致性学习框架联合整合从两个独立图提取的地理与序列信息。如此，两模块有效交换知识以相互增强。在两个真实世界 LBSN 数据集上的大量实验证明了我们所提方法相对于最先进方法的优越性能。我们的代码见 https://github.com/Fang6ang/KBGNN。
引用
@article{arxiv.2210.03969,
title = {Kernel-based Substructure Exploration for Next POI Recommendation},
author = {Wei Ju and Yifang Qin and Ziyue Qiao and Xiao Luo and Yifan Wang and Yanjie Fu and Ming Zhang},
journal= {arXiv preprint arXiv:2210.03969},
year = {2022}
}
备注
Accepted by the IEEE International Conference on Data Mining (ICDM) 2022