基于邻近感知表示的记忆高效位置推荐
人工智能
2023-10-25 v2
摘要
序列位置推荐在现代生活中发挥着巨大作用，能够提升用户体验、为企业带来更多收益并辅助政府管理。尽管得益于推荐系统的发展，位置推荐方法已取得显著演进，但地理信息的利用仍较为有限，且数据稀疏性问题持续存在。为此，我们提出了一种基于邻近感知的区域表示用于序列推荐（简称 PASR），构建于自注意力网络架构之上。我们通过采用重要性采样的新型损失函数解决稀疏性问题，在优化过程中强调信息量大的负样本。此外，PASR 通过对每个 GPS 点的层次化网格与邻近网格采用基于自注意力的地理编码器，增强了地理信息的融合。为进一步利用地理信息，我们采用邻近感知负采样器提升负样本质量。我们使用三个真实世界基于位置的社交网络（LBSN）数据集进行了评估，表明 PASR 超越了最先进的序列位置推荐方法。
引用
@article{arxiv.2310.06484,
title = {Memory efficient location recommendation through proximity-aware representation},
author = {Xuan Luo and Mingqing Huang and Rui Lv and Hui Zhao},
journal= {arXiv preprint arXiv:2310.06484},
year = {2023}
}