用于POI推荐的时空感知表示学习
信息检索
2017-05-01 v1 社会与信息网络
摘要
基于位置的社交网络的广泛传播带来了海量用户签到数据，这为兴趣点（POIs）推荐提供了便利。分布式表示的最新进展为学习低维稠密向量以缓解数据稀疏问题指明了方向。当前关于POI推荐的表示学习研究将用户和POI共同嵌入到一个公共潜在空间中，并根据用户与POI之间的距离/相似性推断用户偏好。这种方法与用户和POI的语义不符，因为它们本质上是不同的对象。在本文中，我们提出了一种新颖的时空感知（STA）表示，其将空间和时间信息建模为\emph{连接用户与POI的一种关系}。我们的模型推广了知识图谱嵌入的最新进展。基本思想是，时间, 位置对的嵌入对应于从用户嵌入到POI嵌入的一个平移。由于POI嵌入应接近于用户嵌入加上关系向量，因此推荐可通过选择与平移后POI相似的top-\emph{k}个POI来执行，这些POI均为同类型对象。我们在两个真实世界数据集上进行了广泛实验。结果表明，我们的STA模型在推荐精度高、对数据稀疏的鲁棒性以及处理冷启动问题的有效性方面均达到了最先进的性能。
引用
@article{arxiv.1704.08853,
title = {Learning Spatiotemporal-Aware Representation for POI Recommendation},
author = {Bei Liu and Tieyun Qian and Bing Liu and Liang Hong and Zhenni You and Yuxiang Li},
journal= {arXiv preprint arXiv:1704.08853},
year = {2017}
}