POIBERT：一种基于 Transformer 的旅游推荐问题模型
信息检索
2022-12-29 v1 人工智能
机器学习
摘要
旅游行程规划与推荐是游客访问陌生城市时的挑战性问题。许多旅游推荐算法仅考虑兴趣点（POIs）的位置与热度等因素，但其方案可能不能与用户自身偏好及其他位置约束良好契合。此外，这些方案未考虑用户基于过往 POI 选择的偏好。本文中，我们提出 POIBERT，一种利用 BERT 语言模型在 POI 上推荐个性化行程的算法。POIBERT 建立在高度成功的 BERT 语言模型之上，将语言模型新颖地适配于我们的行程推荐任务，并辅以迭代方法生成连续 POI。我们的推荐算法能够基于相似游客的过往轨迹，生成优化时间与用户在 POI 类别上偏好的 POI 序列。我们的旅游推荐算法通过将行程推荐问题适配为自然语言处理（NLP）中的句子补全问题来建模。我们还创新了一种迭代算法来生成满足时间约束（最可能来自过往轨迹）的旅行行程。使用七座城市的 Flickr 数据集，实验结果表明我们的算法在召回率、精确率和 F1 分数度量上优于许多序列预测算法。
引用
@article{arxiv.2212.13900,
title = {POIBERT: A Transformer-based Model for the Tour Recommendation Problem},
author = {Ngai Lam Ho and Kwan Hui Lim},
journal= {arXiv preprint arXiv:2212.13900},
year = {2022}
}
备注
Accepted to the 2022 IEEE International Conference on Big Data (BigData2022)